EDA HS22 - Mini-Challenge: Hotelbuchungen
Beginn: 15.11.2022, 08:15
Ende: 25.11.2022, 23:59
Abgabe: Pro Zweiergruppe ein .Rmd und .html File via e-mail an daniel.perruchoud@fhnw.ch
Vorname, Name:
Vorname, Name:
Erreichte Punktzahl:
Note:
Hiermit erklären wir, dass die vorliegende Arbeit selbständig und ohne Hilfe weiterer Personen erarbeitet und geschrieben wurde und auch nicht an andere Personen weitergereicht wurde und wird.
Einführung
Beurteilungskriterien
Beurteilt werden Umfang, Inhalt und Form der Abgabe jeder Gruppe; die pro Aufgabe erworbenen Punktezahl bestimmt sich aus Vollständigkeit, Korrektheit der Analyse sowie Qualität der Codierung.
Die maximale Anzahl möglicher Punkte ist hinter jeder Aufgabe vermerkt.
Sprache: Empfohlen ist in den Codes, Grafiken und Tabellen konsistent Englisch zu verwenden, damit die Namen der Attribute nicht übersetzt werden müssen.
Visualisierung: Bitte achtet darauf, dass alle Grafiken übersichtlich und vollständig beschriftet und koloriert sind und die Art der verwendeten Grafik entsprechend dem Datentyp sinnvoll gewählt ist.
Dokumentation: Kommentiert eure Codes, wo spezielle Überlegung einfliessen und beschreibt die Resulate der Analysen in wenigen Sätzen präzise.
Datenbeschreibung
Ihr erhaltet Daten von 40’060 Hotelbuchungen und den Auftrag diese zu analysieren. Pro Buchung stehen die folgenden 31 Attribute zur Verfügung (zusammengehörende Attribute werden gemeinsam beschrieben).
- IsCanceled: Information, ob die Buchung storniert wurde,
- LeadTime: Anzahl Tage zwischen Buchung und Eintreffen im Hotel,
- ArrivalDateYear, -Month, -DateWeekNumber, DateDayOfMonth: Information zum Zeitpunkt des Eintreffens im Hotel,
- StaysInWeekendNights, StaysInWeekNights: Anzahl gebuchter Nächte am Wochenende, bzw. an Werktagen,
- Adults, Children, Babies: Anzahl Erwachsene, Kinder und Babies pro Buchung,
- Meal: Art des gebuchten Verpflegungen, d.h. BB (Bed & Breakfast), HB (Half board oder Halbpension), FB (Full board oder Vollpension), Undefined (kein Paket),
- Country: Herkunftsland des Gastes,
- MarketSegment: Marktsegment der Buchung, wie z.B. Geschäftskunde, Direktkunde, Gruppe (TA = Tour Agents, TO = Tour Operators),
- DistributionChannel: Vertriebskanal der Buchung (TA = Tour Agents, TO = Tour Operators),
- IsRepeatedGuest: Information, ob die Buchung einem früheren Gast zugewiesen werden kann,
- PreviousCancellations: Information zur Anzahl früherer Stornierungen des Gastes,
- PreviousBookingsNotCanceled: Information zur Anzahl früherer Buchung des Gastes ohne Stornierung,
- ReservedRoomType / AssignedRoomType: reservierter Zimmertyp, bzw. tatsächlich bezogener Zimmertyp,
- BookingChanges: Anzahl Anpassungen der Buchung bis zum Check-In bzw. bis zur Stornierung,
- DepositType: Art der bei Buchung hinterlegten Sicherheit. Non-Refundable bedeutet der Gesamtbetrag wurde bezahlt und kann nicht zurückgefordert werden, Refundable bedeutet ein Teilbetrag wurde bezahlt und kann zurückgefordert werden,
- Agent / Company: Agentur bzw. Firma, welche die Buchung durchgeführt hat,
- DaysInWaitingList: Anzahl Tage bis der Gast die Bestätigung für die Buchung erhalten hat,
- CustomerType: Kundenart des Gastes,
- ADR: Average Daily Rate in EURO, d.h. durchschnittlich bezahlter Preis pro Übernachtung
- RequiredCarParkingSpaces: Anzahl für den Gast benötigter Parkplätze,
- TotalOfSpecialRequests: Anzahl spezieller Anfragen des Gastes (z.B. Kinderbett, Doppelbett),
- ReservationStatus: letzter Status der Buchung (Check-Out, No-Show, Canceled),
- ReservationStatusDate: letzter Statusänderung der Buchung.
Analysen vorbereiten
Aufgabe (1 Punkt): Lade die Analyse-Pakete
Lade die für die Analysen relevanten Pakete.
Hinweis: Verwende für deine Implementierung tidyverse,
für Zeitreihenanalyse lubridate und zusätzlich
ggmosaic und knitr.
library(tidyverse)Registered S3 methods overwritten by 'dbplyr':
method from
print.tbl_lazy
print.tbl_sql
── Attaching packages ────────────────────────────────────────────────────────────── tidyverse 1.3.2 ──✔ ggplot2 3.3.6 ✔ purrr 0.3.4
✔ tibble 3.1.8 ✔ dplyr 1.0.10
✔ tidyr 1.2.1 ✔ stringr 1.4.1
✔ readr 2.1.2 ✔ forcats 0.5.2 ── Conflicts ───────────────────────────────────────────────────────────────── tidyverse_conflicts() ──
✖ dplyr::filter() masks stats::filter()
✖ dplyr::lag() masks stats::lag()library(lubridate)
Attache Paket: ‘lubridate’
Die folgenden Objekte sind maskiert von ‘package:base’:
date, intersect, setdiff, unionlibrary(ggmosaic)Registered S3 method overwritten by 'data.table':
method from
print.data.table
Registered S3 method overwritten by 'htmlwidgets':
method from
print.htmlwidget tools:rstudiolibrary(knitr)
library(dplyr)
library(ggplot2)Daten laden und inspizieren
Aufgabe (1 Punkt): Lade die Daten
Lade die zu analysierenden Daten.
Hinweis: Verwende für deine Implementierung die Funktion
read.csv() und das File “H1.csv”.
pathDenis <- "C:/Users/denis/OneDrive/Dokumente/FHNW/1.Sem/eda/Hotelchallenge/Daten/HS22_EDA_MC/H1.csv"
pathFlavio <- "/Users/flavio/Library/CloudStorage/OneDrive-FHNW/EDA/HS22_EDA_MC/H1.csv"
dataFrame <- read.csv(pathDenis)
dataFramepathDenis <- "C:/Users/denis/OneDrive/Dokumente/FHNW/1.Sem/eda/Hotelchallenge/Daten/HS22_EDA_MC/H1.csv"
pathFlavio <- "/Users/flavio/Library/CloudStorage/OneDrive-FHNW/EDA/HS22_EDA_MC/H1.csv"
dataFrame <- read.csv("/Users/flavio/Library/CloudStorage/OneDrive-FHNW/EDA/HS22_EDA_MC/H1.csv")
dataFrameAufgabe (1 Punkt): Untersuche die Grösse des Data Frames
Gib für die eingelesenen Daten die Anzahl Beobachtungen und Attribute aus.
<<<<<<< HEADcount(dataFrame) #Anzahlcount(dataFrame) #Anzahlattributes(dataFrame) #Attribute$names
[1] "IsCanceled" "LeadTime" "ArrivalDateYear"
[4] "ArrivalDateMonth" "ArrivalDateWeekNumber" "ArrivalDateDayOfMonth"
[7] "StaysInWeekendNights" "StaysInWeekNights" "Adults"
[10] "Children" "Babies" "Meal"
[13] "Country" "MarketSegment" "DistributionChannel"
[16] "IsRepeatedGuest" "PreviousCancellations" "PreviousBookingsNotCanceled"
[19] "ReservedRoomType" "AssignedRoomType" "BookingChanges"
[22] "DepositType" "Agent" "Company"
[25] "DaysInWaitingList" "CustomerType" "ADR"
[28] "RequiredCarParkingSpaces" "TotalOfSpecialRequests" "ReservationStatus"
[31] "ReservationStatusDate"
=======
attributes(dataFrame) #Attribute
$names
[1] "IsCanceled" "LeadTime" "ArrivalDateYear" "ArrivalDateMonth"
[5] "ArrivalDateWeekNumber" "ArrivalDateDayOfMonth" "StaysInWeekendNights" "StaysInWeekNights"
[9] "Adults" "Children" "Babies" "Meal"
[13] "Country" "MarketSegment" "DistributionChannel" "IsRepeatedGuest"
[17] "PreviousCancellations" "PreviousBookingsNotCanceled" "ReservedRoomType" "AssignedRoomType"
[21] "BookingChanges" "DepositType" "Agent" "Company"
[25] "DaysInWaitingList" "CustomerType" "ADR" "RequiredCarParkingSpaces"
[29] "TotalOfSpecialRequests" "ReservationStatus" "ReservationStatusDate"
>>>>>>> 2eb627b3b503ce1522c2ee6032b390992962e732
$class
[1] "data.frame"
$row.names
<<<<<<< HEAD
[1] 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
[20] 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38
[39] 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57
[58] 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76
[77] 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95
[96] 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114
[115] 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133
[134] 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152
[153] 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171
[172] 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190
[191] 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209
[210] 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228
[229] 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247
[248] 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266
[267] 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285
[286] 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304
[305] 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323
[324] 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342
[343] 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361
[362] 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380
[381] 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399
[400] 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418
[419] 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437
[438] 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456
[457] 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475
[476] 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494
[495] 495 496 497 498 499 500 501 502 503 504 505 506 507 508 509 510 511 512 513
[514] 514 515 516 517 518 519 520 521 522 523 524 525 526 527 528 529 530 531 532
[533] 533 534 535 536 537 538 539 540 541 542 543 544 545 546 547 548 549 550 551
[552] 552 553 554 555 556 557 558 559 560 561 562 563 564 565 566 567 568 569 570
[571] 571 572 573 574 575 576 577 578 579 580 581 582 583 584 585 586 587 588 589
[590] 590 591 592 593 594 595 596 597 598 599 600 601 602 603 604 605 606 607 608
[609] 609 610 611 612 613 614 615 616 617 618 619 620 621 622 623 624 625 626 627
[628] 628 629 630 631 632 633 634 635 636 637 638 639 640 641 642 643 644 645 646
[647] 647 648 649 650 651 652 653 654 655 656 657 658 659 660 661 662 663 664 665
[666] 666 667 668 669 670 671 672 673 674 675 676 677 678 679 680 681 682 683 684
[685] 685 686 687 688 689 690 691 692 693 694 695 696 697 698 699 700 701 702 703
[704] 704 705 706 707 708 709 710 711 712 713 714 715 716 717 718 719 720 721 722
[723] 723 724 725 726 727 728 729 730 731 732 733 734 735 736 737 738 739 740 741
[742] 742 743 744 745 746 747 748 749 750 751 752 753 754 755 756 757 758 759 760
[761] 761 762 763 764 765 766 767 768 769 770 771 772 773 774 775 776 777 778 779
[780] 780 781 782 783 784 785 786 787 788 789 790 791 792 793 794 795 796 797 798
[799] 799 800 801 802 803 804 805 806 807 808 809 810 811 812 813 814 815 816 817
[818] 818 819 820 821 822 823 824 825 826 827 828 829 830 831 832 833 834 835 836
[837] 837 838 839 840 841 842 843 844 845 846 847 848 849 850 851 852 853 854 855
[856] 856 857 858 859 860 861 862 863 864 865 866 867 868 869 870 871 872 873 874
[875] 875 876 877 878 879 880 881 882 883 884 885 886 887 888 889 890 891 892 893
[894] 894 895 896 897 898 899 900 901 902 903 904 905 906 907 908 909 910 911 912
[913] 913 914 915 916 917 918 919 920 921 922 923 924 925 926 927 928 929 930 931
[932] 932 933 934 935 936 937 938 939 940 941 942 943 944 945 946 947 948 949 950
[951] 951 952 953 954 955 956 957 958 959 960 961 962 963 964 965 966 967 968 969
[970] 970 971 972 973 974 975 976 977 978 979 980 981 982 983 984 985 986 987 988
=======
[1] 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26
[27] 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52
[53] 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78
[79] 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104
[105] 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130
[131] 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156
[157] 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182
[183] 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208
[209] 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234
[235] 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260
[261] 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286
[287] 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312
[313] 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338
[339] 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364
[365] 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390
[391] 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416
[417] 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442
[443] 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468
[469] 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494
[495] 495 496 497 498 499 500 501 502 503 504 505 506 507 508 509 510 511 512 513 514 515 516 517 518 519 520
[521] 521 522 523 524 525 526 527 528 529 530 531 532 533 534 535 536 537 538 539 540 541 542 543 544 545 546
[547] 547 548 549 550 551 552 553 554 555 556 557 558 559 560 561 562 563 564 565 566 567 568 569 570 571 572
[573] 573 574 575 576 577 578 579 580 581 582 583 584 585 586 587 588 589 590 591 592 593 594 595 596 597 598
[599] 599 600 601 602 603 604 605 606 607 608 609 610 611 612 613 614 615 616 617 618 619 620 621 622 623 624
[625] 625 626 627 628 629 630 631 632 633 634 635 636 637 638 639 640 641 642 643 644 645 646 647 648 649 650
[651] 651 652 653 654 655 656 657 658 659 660 661 662 663 664 665 666 667 668 669 670 671 672 673 674 675 676
[677] 677 678 679 680 681 682 683 684 685 686 687 688 689 690 691 692 693 694 695 696 697 698 699 700 701 702
[703] 703 704 705 706 707 708 709 710 711 712 713 714 715 716 717 718 719 720 721 722 723 724 725 726 727 728
[729] 729 730 731 732 733 734 735 736 737 738 739 740 741 742 743 744 745 746 747 748 749 750 751 752 753 754
[755] 755 756 757 758 759 760 761 762 763 764 765 766 767 768 769 770 771 772 773 774 775 776 777 778 779 780
[781] 781 782 783 784 785 786 787 788 789 790 791 792 793 794 795 796 797 798 799 800 801 802 803 804 805 806
[807] 807 808 809 810 811 812 813 814 815 816 817 818 819 820 821 822 823 824 825 826 827 828 829 830 831 832
[833] 833 834 835 836 837 838 839 840 841 842 843 844 845 846 847 848 849 850 851 852 853 854 855 856 857 858
[859] 859 860 861 862 863 864 865 866 867 868 869 870 871 872 873 874 875 876 877 878 879 880 881 882 883 884
[885] 885 886 887 888 889 890 891 892 893 894 895 896 897 898 899 900 901 902 903 904 905 906 907 908 909 910
[911] 911 912 913 914 915 916 917 918 919 920 921 922 923 924 925 926 927 928 929 930 931 932 933 934 935 936
[937] 937 938 939 940 941 942 943 944 945 946 947 948 949 950 951 952 953 954 955 956 957 958 959 960 961 962
[963] 963 964 965 966 967 968 969 970 971 972 973 974 975 976 977 978 979 980 981 982 983 984 985 986 987 988
>>>>>>> 2eb627b3b503ce1522c2ee6032b390992962e732
[989] 989 990 991 992 993 994 995 996 997 998 999 1000
[ reached getOption("max.print") -- omitted 39060 entries ]
Aufgabe (1 Punkt): Inspiziere die Dateninhalte
Gib eine Zufallsstichprobe von 5 Beobachtungen aus (verwende als Seed die Zahl 4711) und verschafffe dir einen Überblick über die Daten.
<<<<<<< HEADset.seed(4711)
sampleRows <- sample(1:nrow(dataFrame), 5)
slice(dataFrame, sampleRows)set.seed(4711)
sampleRows <- sample(1:nrow(dataFrame), 5)
slice(dataFrame, sampleRows)Aufgabe (1 Punkt): Untersuche Struktur und Datentypen
Gib die Struktur des Data Frames aus und verschaffe dir einen Überblick über die Datentypen.
<<<<<<< HEADglimpse(dataFrame)Rows: 40,060
Columns: 31
$ IsCanceled <int> 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,…
$ LeadTime <int> 342, 737, 7, 13, 14, 14, 0, 9, 85, 75, 23, 35, 68, 18, 37, 68, 37…
$ ArrivalDateYear <int> 2015, 2015, 2015, 2015, 2015, 2015, 2015, 2015, 2015, 2015, 2015,…
$ ArrivalDateMonth <chr> "July", "July", "July", "July", "July", "July", "July", "July", "…
$ ArrivalDateWeekNumber <int> 27, 27, 27, 27, 27, 27, 27, 27, 27, 27, 27, 27, 27, 27, 27, 27, 2…
$ ArrivalDateDayOfMonth <int> 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,…
$ StaysInWeekendNights <int> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 2,…
$ StaysInWeekNights <int> 0, 0, 1, 1, 2, 2, 2, 2, 3, 3, 4, 4, 4, 4, 4, 4, 4, 1, 1, 4, 4, 4,…
$ Adults <int> 2, 2, 1, 1, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 1, 2,…
$ Children <int> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0,…
$ Babies <int> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,…
$ Meal <chr> "BB ", "BB ", "BB ", "BB ", "BB ", …
$ Country <chr> "PRT", "PRT", "GBR", "GBR", "GBR", "GBR", "PRT", "PRT", "PRT", "P…
$ MarketSegment <chr> "Direct", "Direct", "Direct", "Corporate", "Online TA", "Online T…
$ DistributionChannel <chr> "Direct", "Direct", "Direct", "Corporate", "TA/TO", "TA/TO", "Dir…
$ IsRepeatedGuest <int> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,…
$ PreviousCancellations <int> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,…
$ PreviousBookingsNotCanceled <int> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,…
$ ReservedRoomType <chr> "C ", "C ", "A ", "A …
$ AssignedRoomType <chr> "C ", "C ", "C ", "A …
$ BookingChanges <int> 3, 4, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 1,…
$ DepositType <chr> "No Deposit ", "No Deposit ", "No Deposit ", "No Depo…
$ Agent <chr> " NULL", " NULL", " NULL", " 304", " …
$ Company <chr> " NULL", " NULL", " NULL", " NULL", " …
$ DaysInWaitingList <int> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,…
$ CustomerType <chr> "Transient", "Transient", "Transient", "Transient", "Transient", …
$ ADR <dbl> 0.00, 0.00, 75.00, 75.00, 98.00, 98.00, 107.00, 103.00, 82.00, 10…
$ RequiredCarParkingSpaces <int> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,…
$ TotalOfSpecialRequests <int> 0, 0, 0, 0, 1, 1, 0, 1, 1, 0, 0, 0, 3, 1, 0, 3, 0, 0, 0, 1, 1, 1,…
$ ReservationStatus <chr> "Check-Out", "Check-Out", "Check-Out", "Check-Out", "Check-Out", …
$ ReservationStatusDate <chr> "2015-07-01", "2015-07-01", "2015-07-02", "2015-07-02", "2015-07-…glimpse(dataFrame)Rows: 40,060
Columns: 31
$ IsCanceled <int> 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 1,…
$ LeadTime <int> 342, 737, 7, 13, 14, 14, 0, 9, 85, 75, 23, 35, 68, 18, 37, 68, 37, 12, 0, 7, 37, 72, 72, 72, 127, …
$ ArrivalDateYear <int> 2015, 2015, 2015, 2015, 2015, 2015, 2015, 2015, 2015, 2015, 2015, 2015, 2015, 2015, 2015, 2015, 20…
$ ArrivalDateMonth <chr> "July", "July", "July", "July", "July", "July", "July", "July", "July", "July", "July", "July", "J…
$ ArrivalDateWeekNumber <int> 27, 27, 27, 27, 27, 27, 27, 27, 27, 27, 27, 27, 27, 27, 27, 27, 27, 27, 27, 27, 27, 27, 27, 27, 27…
$ ArrivalDateDayOfMonth <int> 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,…
$ StaysInWeekendNights <int> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 2, 2, 2, 2, 2, 2, 2, 2, 2, 4, 4, 2,…
$ StaysInWeekNights <int> 0, 0, 1, 1, 2, 2, 2, 2, 3, 3, 4, 4, 4, 4, 4, 4, 4, 1, 1, 4, 4, 4, 4, 4, 5, 5, 5, 5, 5, 5, 10, 11, …
$ Adults <int> 2, 2, 1, 1, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 1, 2, 2, 2, 2, 2, 2, 2, 2, 2, 1, 2, 2,…
$ Children <int> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,…
$ Babies <int> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,…
$ Meal <chr> "BB ", "BB ", "BB ", "BB ", "BB ", "BB ", "BB ", "FB …
$ Country <chr> "PRT", "PRT", "GBR", "GBR", "GBR", "GBR", "PRT", "PRT", "PRT", "PRT", "PRT", "PRT", "USA", "ESP", …
$ MarketSegment <chr> "Direct", "Direct", "Direct", "Corporate", "Online TA", "Online TA", "Direct", "Direct", "Online T…
$ DistributionChannel <chr> "Direct", "Direct", "Direct", "Corporate", "TA/TO", "TA/TO", "Direct", "Direct", "TA/TO", "TA/TO",…
$ IsRepeatedGuest <int> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,…
$ PreviousCancellations <int> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,…
$ PreviousBookingsNotCanceled <int> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,…
$ ReservedRoomType <chr> "C ", "C ", "A ", "A ", "A "…
$ AssignedRoomType <chr> "C ", "C ", "C ", "A ", "A "…
$ BookingChanges <int> 3, 4, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 0, 0, 0, 0, 0, 0, 2, 0, 0,…
$ DepositType <chr> "No Deposit ", "No Deposit ", "No Deposit ", "No Deposit ", "No Deposit ", "No…
$ Agent <chr> " NULL", " NULL", " NULL", " 304", " 240", " 240", " …
$ Company <chr> " NULL", " NULL", " NULL", " NULL", " NULL", " NULL", " …
$ DaysInWaitingList <int> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,…
$ CustomerType <chr> "Transient", "Transient", "Transient", "Transient", "Transient", "Transient", "Transient", "Transi…
$ ADR <dbl> 0.00, 0.00, 75.00, 75.00, 98.00, 98.00, 107.00, 103.00, 82.00, 105.50, 123.00, 145.00, 97.00, 154.…
$ RequiredCarParkingSpaces <int> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 1, 0, 0, 0,…
$ TotalOfSpecialRequests <int> 0, 0, 0, 0, 1, 1, 0, 1, 1, 0, 0, 0, 3, 1, 0, 3, 0, 0, 0, 1, 1, 1, 1, 1, 1, 0, 0, 2, 0, 1, 2, 0, 2,…
$ ReservationStatus <chr> "Check-Out", "Check-Out", "Check-Out", "Check-Out", "Check-Out", "Check-Out", "Check-Out", "Check-…
$ ReservationStatusDate <chr> "2015-07-01", "2015-07-01", "2015-07-02", "2015-07-02", "2015-07-03", "2015-07-03", "2015-07-03", …Aufgabe (2 Punkte): Identifiziere Duplikate
Bestimme wieviele doppelte Beobachtungen im Data Frame auftauchen.
Hinweis: Aufgrund fehlender Hintergrundinformationen werden für die nächsten Schritte zunächst keine Beobachtungen entfernt, auch wenn im Datensatz viel redundante Informationen vorhanden sind!
<<<<<<< HEADduplicateList <- dataFrame[duplicated(dataFrame), ]
newList <- duplicateList %>% group_by_all() %>% summarise(n = n())duplicateList <- dataFrame[duplicated(dataFrame), ]
newList <- duplicateList %>% group_by_all() %>% summarise(n = n())`summarise()` has grouped output by 'IsCanceled', 'LeadTime', 'ArrivalDateYear', 'ArrivalDateMonth', 'ArrivalDateWeekNumber', 'ArrivalDateDayOfMonth', 'StaysInWeekendNights', 'StaysInWeekNights', 'Adults', 'Children', 'Babies', 'Meal', 'Country', 'MarketSegment', 'DistributionChannel', 'IsRepeatedGuest', 'PreviousCancellations', 'PreviousBookingsNotCanceled', 'ReservedRoomType', 'AssignedRoomType', 'BookingChanges', 'DepositType', 'Agent', 'Company', 'DaysInWaitingList', 'CustomerType', 'ADR', 'RequiredCarParkingSpaces', 'TotalOfSpecialRequests', 'ReservationStatus'. You can override using the `.groups` argument.print(sum(newList$n))print(sum(newList$n))[1] 6092Aufgabe (10 Punkte): Identifiziere Gruppen doppelter Beobachtungen
Doppelte Beobachtungen treten im vorliegenden Datensatz in unterschiedlicher Gruppierung auf: es gibt Beobachtungen, die nur zweimal, aber auch Beobachtungen, die mehr als ein Dutzend mal vorhanden sind. Gib für die vier Gruppierungen mit den meisten doppelten Beobachtungen je eine vollständige Beobachtung aus.
Hinweis: Aufgrund fehlender Hintergrundinformationen werden für die nächsten Schritte zunächst keine Beobachtungen entfernt, auch wenn im Datensatz viel redundante Informationen vorhanden sind!
<<<<<<< HEADbiggestDuplicates <- newList[order(newList$n, decreasing = TRUE),]
biggestDuplicates <- biggestDuplicates[1:4,]biggestDuplicates <- newList[order(newList$n, decreasing = TRUE),]
biggestDuplicates <- biggestDuplicates[1:4,]Daten transformieren
Aufgabe (2 Punkte): Benenne Attribute um
Die folgenden Attribute sind neu zu benennen (alterName -> neuerName)
- TotalOfSpecialRequests -> TotalSpecialRequests
- ADR -> AverageDailyRate
- IsCanceled -> BookingCancelled
#names(dataFrame)
dataFrame <- dataFrame %>% rename(
BookingCancelled = IsCanceled,
AverageDailyRate = ADR,
TotalSpecialRequests = TotalOfSpecialRequests
)#names(dataFrame)
dataFrame <- dataFrame %>% rename(
BookingCancelled = IsCanceled,
AverageDailyRate = ADR,
TotalSpecialRequests = TotalOfSpecialRequests
)Aufgabe (2 Punkte): Entferne Leerzeichen
Entferne gleichzeitig für alle character-wertigen Attribute, die Leerzeichen, welche vor oder nach dem Text auftauchen.
Hinweis: Verwende für deine Implementierung die Funktion
across() und den Post Umgang
mit textuellen Daten mit tidyverse’s stringr.
library(stringr)
dataFrame <- dataFrame %>%
mutate(across(where(is.character), str_trim))
#glimpse(dataFrame)
library(stringr)
dataFrame <- dataFrame %>%
mutate(across(where(is.character), str_trim))
#glimpse(dataFrame)
Aufgabe (2 Punkte): Untersuche fehlende Informationen
Untersuche allfällige fehlende Informationen (NAs) im Data Frame und zähle wieviele NAs vorkommen.
<<<<<<< HEAD#Aufpassen bei bestimmten Funktionen werden fehlende Informationen automatisch als N/A kategorisiert
#Keine NAs vorhanden, gibt es fehlende Informationen?
sapply(dataFrame, function(x) sum(is.na(x))) BookingCancelled LeadTime ArrivalDateYear
0 0 0
ArrivalDateMonth ArrivalDateWeekNumber ArrivalDateDayOfMonth
0 0 0
StaysInWeekendNights StaysInWeekNights Adults
0 0 0
Children Babies Meal
0 0 0
Country MarketSegment DistributionChannel
0 0 0
IsRepeatedGuest PreviousCancellations PreviousBookingsNotCanceled
0 0 0
ReservedRoomType AssignedRoomType BookingChanges
0 0 0
DepositType Agent Company
0 0 0
DaysInWaitingList CustomerType AverageDailyRate
0 0 0
RequiredCarParkingSpaces TotalSpecialRequests ReservationStatus
0 0 0
ReservationStatusDate
0 #Aufpassen bei bestimmten Funktionen werden fehlende Informationen automatisch als N/A kategorisiert
#Keine NAs vorhanden, gibt es fehlende Informationen?
sapply(dataFrame, function(x) sum(is.na(x))) BookingCancelled LeadTime ArrivalDateYear ArrivalDateMonth
0 0 0 0
ArrivalDateWeekNumber ArrivalDateDayOfMonth StaysInWeekendNights StaysInWeekNights
0 0 0 0
Adults Children Babies Meal
0 0 0 0
Country MarketSegment DistributionChannel IsRepeatedGuest
0 0 0 0
PreviousCancellations PreviousBookingsNotCanceled ReservedRoomType AssignedRoomType
0 0 0 0
BookingChanges DepositType Agent Company
0 0 0 0
DaysInWaitingList CustomerType AverageDailyRate RequiredCarParkingSpaces
0 0 0 0
TotalSpecialRequests ReservationStatus ReservationStatusDate
0 0 0 Aufgabe (3 Punkte): Ersetze “NULL” Werte
Ersetze gleichzeitig alle Werte “NULL” für die Attribute
“Company” und “Agent” durch NA und und zähle wieviele NAs
in jedem der beiden Attributen vorkommen.
#!!!Funktioniert aber ändert nur die Namen nicht den tatsächlichen Wert, muss noch überarbeitet werden, denke ich!!
#Ändert den Wert im Dataframe aber nicht in der Konsole.
NAs <- c("Company", "Agent")
dataFrame %>%
mutate_at(vars(NAs), ~ str_replace(., "NULL", "NA"))Note: Using an external vector in selections is ambiguous.
ℹ Use `all_of(NAs)` instead of `NAs` to silence this message.
ℹ See <https://tidyselect.r-lib.org/reference/faq-external-vector.html>.
This message is displayed once per session.#!!!Funktioniert aber ändert nur die Namen nicht den tatsächlichen Wert, muss noch überarbeitet werden, denke ich!!
NAs <- c("Company", "Agent")
dataFrame %>%
mutate_at(vars(NAs), ~ str_replace(., "NULL", "NA"))Warnung: Using an external vector in selections was deprecated in tidyselect 1.1.0.
Please use `all_of()` or `any_of()` instead.
# Was:
data %>% select(NAs)
# Now:
data %>% select(all_of(NAs))
See <https://tidyselect.r-lib.org/reference/faq-external-vector.html>.Aufgabe (4 Punkte): Ersetze Abkürzungen
Ersetze gleichzeitig für die Attribute “MarketSegment” und “DistributionChannel” die Abkürzungen
- “TA” durch “Tour Agent”,
- “TO” durch “Tour Operator”.
Hinweis: Verwende für deine Implementierung die Funktion
gsub() oder Ähnliches.
#Habe ich geschafft aber leider nicht mit der gsub Funktion, gerne Denis probieren#Habe ich geschafft aber leider nicht mit der gsub Funktion, gerne Denis probierenAufgabe (4 Punkte): Ersetze weitere Abkürzungen
Ersetze für das Attribut “Meal” die verwendeten Abkürzungen
- “BB” durch “Bed & Breakfast”,
- “HB” durch “Half board”,
- “FB” durch “Full board”,
- “Undefined” durch “kein Paket”.
Ersetze weiter für die Attribute “BookingCancelled” und “IsRepeatedGuest” die Werte 1 durch “Yes” und 0 durch “No”.
<<<<<<< HEADdataFrame$Meal <- gsub("BB", "Bed & Breakfast",
gsub("HB", "Half board",
gsub("FB", "Full board",
gsub("Undefined", "kein Paket", dataFrame$Meal))))
#Code fuktioniert allerdings werden 2 seperate Dataframes generiert und nicht beide in der gleichen. Denis fragen?
dataFrame %>% mutate(BookingCancelled=recode(BookingCancelled, "1"="Yes", "0"="No"))dataFrame$Meal <- gsub("BB", "Bed & Breakfast",
gsub("HB", "Half board",
gsub("FB", "Full board",
gsub("Undefined", "kein Paket", dataFrame$Meal))))
dataFrame <- dataFrame %>% mutate(BookingCancelled=recode(BookingCancelled, "1"="Yes", "0"="No"))
dataFrame <- dataFrame %>% mutate(IsRepeatedGuest=recode(IsRepeatedGuest, "1"="Yes", "0"="No"))dataFrame %>% mutate(IsRepeatedGuest=recode(IsRepeatedGuest, "1"="Yes", "0"="No"))Aufgabe (6 Punkte): Erstelle Datumsvariablen
Erstelle Datumsvariablen für Reservation und Ankunft aufgrund der Informationen “ReservationStatusDate” bzw. “ArrivalDateYear”, “ArrivalDateYear”, “ArrivalDateDayOfMonth”.
Hinweis: Verwende für deine Implementierung die library
lubridate und Informationen aus R for Data Science,
Chapter “Dates and times” sowie die Posts Umgang
mit Datumsinformationen und Umgang
mit textuellen Daten mit tidyverse’s stringr.
library(lubridate)
#Das wäre ein Vorschlag, ich weiss aber nicht ob dies so oder in einem anderen Format gefordert wird.
#dataFrameDates <- dataFrame
#dataFrameDates <- cbind(dataFrameDates, ArrivalDate = mdy(str_c(str_c(dataFrameDates$ArrivalDateMonth, dataFrameDates$ArrivalDateDayOfMonth, sep = " "), #dataFrameDates$ArrivalDateYear, sep = ", ")))
#dataFrameDates <- dataFrameDates[order(dataFrameDates$ArrivalDate), ]library(lubridate)
#Das wäre ein Vorschlag, ich weiss aber nicht ob dies so oder in einem anderen Format gefordert wird.
#dataFrameDates <- dataFrame
#dataFrameDates <- cbind(dataFrameDates, ArrivalDate = mdy(str_c(str_c(dataFrameDates$ArrivalDateMonth, dataFrameDates$ArrivalDateDayOfMonth, sep = " "), #dataFrameDates$ArrivalDateYear, sep = ", ")))
#dataFrameDates <- dataFrameDates[order(dataFrameDates$ArrivalDate), ]Aufgabe (3 Punkte): Bilde Faktoren
Konvertiere sämtliche kategorialen Variablen und mache daraus Faktoren und überprüfe die Datentypen der konvertierten Variablen für die Variablen “BookingCancelled” und “DepositType”.
Hinweis: Verwende für deine Implementierung across() und
eine bestehende R Basis-Funktion zur Prüfung der erfolgreichen Bildung
der Faktoren.
#kategoriale Variablen: Meal,Country, Marketsegment, Distributionschannel, ReservedRoomType, AssignedRoomType, DepositType, Agent, Company, Customertype, Average Daily Rate.
#Diese gilt es als factor Variablen darzustellen, habe ich leider nich geschafft. Denis probieren.
#Gibts es noch mehr kategoriale Variablen?
#Überprüfen mit R Basis Funktion
class(dataFrame$BookingCancelled)[1] "integer"class(dataFrame$DepositType)#kategoriale Variablen: Meal,Country, Marketsegment, Distributionschannel, ReservedRoomType, AssignedRoomType, DepositType, Agent, Company, Customertype, Average Daily Rate.
#Diese gilt es als factor Variablen darzustellen, habe ich leider nich geschafft. Denis probieren.
#Gibts es noch mehr kategoriale Variablen?
#Überprüfen mit R Basis Funktion
class(dataFrame$BookingCancelled)[1] "character"class(dataFrame$DepositType)[1] "character"Aufgabe (7 Punkte): Erstelle neue Variablen
Erstelle neue Variablen, welche Auskunft geben über
- die Anzahl Logiernächte pro Buchung -> neue Variable “TotalNights” als Summe der Anzahl Nächte an Wochentagen (“StaysInWeekNights) und Wochenendtagen (”StaysInWeekendNights”),
- die Anzahl Personen pro Buchung -> neue Variable “GroupSize” als Summe von “Adults”, “Children” und “Babies”,
- den bezahlten Preis pro Aufenthalt -> neue Variable “Price” gebildet als Produkt von “AverageDailyRate” und “TotalNights”.
Erstelle daraus abgeleitet weitere Attribute für die Art des Aufenthalts (neue Faktor-Variable “StayType”):
- “Long stay” definiert als Aufenthalt von mehr als 7 Nächten,
- “Full week” definiert als Aufenthalt von 7 Nächten,
- “Week stay” definiert als Aufenthalt von weniger als 7 Tagen ohne Wochenendübernachtungen,
- “Weekend only” definiert als eintägiger Aufenthalt mit einer Wochenendübernachtung,
- “Long weekend” definiert als zweitägiger Aufenthalt mit zwei Wochenendübernachtungen,
sowie den Haushaltstyp (neue Faktor-Variable “HouseholdType”):
- “Single” definiert als Buchung für genau eine Erwachsene,
- “Couple” definiert als Buchung für genau zwei Erwachsene,
- “Single Parent” definiert als Buchung für eine Erwachsene und ein oder mehrere Kinder oder Babies,
- “Family” definiert als Buchung für zwei Erwachsene und ein oder mehrere Kinder oder Babies,
- “Group” definiert als Buchung für mehr als zwei Erwachsene (mit oder ohne Kinder / Babies),
#TotalNights Variable erstellen
dataFrame$TotalNights <- dataFrame$StaysInWeekNights + dataFrame$StaysInWeekendNights
#GroupSize Variable erstellen
dataFrame$GroupSize <- dataFrame$Adults + dataFrame$Children + dataFrame$Babies
#Price Variable erstellen
dataFrame$Price <- dataFrame$AverageDailyRate * dataFrame$TotalNights
#StayType Variable erstellen
dataFrame %>%
mutate(StayType = case_when(TotalNights > 7 ~ "Long Stay",
TotalNights == 7 ~ "Full week",
StaysInWeekNights < 7 & StaysInWeekendNights == 0 ~ "Week Stay",
TotalNights == 1 & StaysInWeekendNights == 1 ~ "Weekend only",
StaysInWeekNights == 0 & StaysInWeekendNights == 2 ~ "Long Weekend"))
#HouseholdType Variable erstellen adults, children, babies
dataFrame %>%
mutate(HouseholdType = case_when(Adults == 1 & Children == 0 & Babies == 0 ~ "Single",
Adults == 2 & Children == 0 & Babies == 0 ~ "Couple",
Adults == 1 & Children >= 0 & Babies >= 0 ~ "Single Parent",
Adults == 2 & Children >= 0 & Babies >= 0 ~ "Family",
Adults > 2 & Children >= 0 & Babies >= 0 ~ "Group"))Summarische Statistiken erzeugen
Aufgabe (3 Punkte): Erstelle Häufigkeitstabellen
Gib für die beiden oben bearbeiteten Attribute “MarketSegment” und “DistributionChannel” je eine separate Häufigkeitstabelle aus.
Hinweis: Verwende für deine Implementierung nur
einen Aufruf der Funktion summary().
cleanedList <- dataFrame
#Marketsegment
freqTableMarketSegment <- cleanedList %>% group_by(Marketsegment = cleanedList$MarketSegment) %>% summarise(Count = n())
freqTableMarketSegment <- freqTableMarketSegment[order(freqTableMarketSegment$Count, decreasing = TRUE),]
totalSegments <- sum(freqTableMarketSegment$Count)
freqTableMarketSegment <- cbind(freqTableMarketSegment, Percentage = freqTableMarketSegment$Count/totalSegments * 100)
#DistributionChannel
freqTableDistributionChannel <- cleanedList %>% group_by(DistributionChannel = cleanedList$DistributionChannel) %>% summarise(Count = n())
freqTableDistributionChannel <- freqTableDistributionChannel[order(freqTableDistributionChannel$Count, decreasing = TRUE),]
totalSegments <- sum(freqTableDistributionChannel$Count)
freqTableDistributionChannel <- cbind(freqTableDistributionChannel, Percentage = freqTableDistributionChannel$Count/totalSegments * 100)cleanedList <- dataFrame
#Marketsegment
freqTableMarketSegment <- cleanedList %>% group_by(Marketsegment = cleanedList$MarketSegment) %>% summarise(Count = n())
freqTableMarketSegment <- freqTableMarketSegment[order(freqTableMarketSegment$Count, decreasing = TRUE),]
totalSegments <- sum(freqTableMarketSegment$Count)
freqTableMarketSegment <- cbind(freqTableMarketSegment, Percentage = freqTableMarketSegment$Count/totalSegments * 100)
#DistributionChannel
freqTableDistributionChannel <- cleanedList %>% group_by(DistributionChannel = cleanedList$DistributionChannel) %>% summarise(Count = n())
freqTableDistributionChannel <- freqTableDistributionChannel[order(freqTableDistributionChannel$Count, decreasing = TRUE),]
totalSegments <- sum(freqTableDistributionChannel$Count)
freqTableDistributionChannel <- cbind(freqTableDistributionChannel, Percentage = freqTableDistributionChannel$Count/totalSegments * 100)Aufgabe (3 Punkte): Erstelle weitere Häufigkeitstabellen
Gib für die Attribute “Meal” und “IsRepeatedGuest” separat tabellarische Häufigkeitsverteilungen aus.
Hinweis: Verwende für deine Implementierung die Funktion
kable().
#Meals
freqTableMeal <- cleanedList %>% group_by(Meal = cleanedList$Meal) %>% summarise(Count = n())
freqTableMeal <- freqTableMeal[order(freqTableMeal$Count, decreasing = TRUE),]
totalSegments <- sum(freqTableMeal$Count)
freqTableMeal <- cbind(freqTableMeal, Percentage = freqTableMeal$Count/totalSegments * 100)
kable(freqTableMeal, digits = 2, format = "pipe")#Meals
freqTableMeal <- cleanedList %>% group_by(Meal = cleanedList$Meal) %>% summarise(Count = n())
freqTableMeal <- freqTableMeal[order(freqTableMeal$Count, decreasing = TRUE),]
totalSegments <- sum(freqTableMeal$Count)
freqTableMeal <- cbind(freqTableMeal, Percentage = freqTableMeal$Count/totalSegments * 100)
kable(freqTableMeal, digits = 2, format = "pipe")| Meal | Count | Percentage |
|---|---|---|
| Bed & Breakfast | 30005 | 74.90 |
| Half board | 8046 | 20.08 |
| kein Paket | 1169 | 2.92 |
| Full board | 754 | 1.88 |
| SC | 86 | 0.21 |
#IsRepeatedGuest
freqTableIsRepeatedGuest <- cleanedList %>% group_by(Meal = cleanedList$IsRepeatedGuest) %>% summarise(Count = n())
freqTableIsRepeatedGuest <- freqTableIsRepeatedGuest[order(freqTableIsRepeatedGuest$Count, decreasing = TRUE),]
totalSegments <- sum(freqTableIsRepeatedGuest$Count)
freqTableIsRepeatedGuest <- cbind(freqTableIsRepeatedGuest, Percentage = freqTableIsRepeatedGuest$Count/totalSegments * 100)
kable(freqTableIsRepeatedGuest, digits = 2, format = "pipe")
#IsRepeatedGuest
freqTableIsRepeatedGuest <- cleanedList %>% group_by(Meal = cleanedList$IsRepeatedGuest) %>% summarise(Count = n())
freqTableIsRepeatedGuest <- freqTableIsRepeatedGuest[order(freqTableIsRepeatedGuest$Count, decreasing = TRUE),]
totalSegments <- sum(freqTableIsRepeatedGuest$Count)
freqTableIsRepeatedGuest <- cbind(freqTableIsRepeatedGuest, Percentage = freqTableIsRepeatedGuest$Count/totalSegments * 100)
kable(freqTableIsRepeatedGuest, digits = 2, format = "pipe")| Meal | =======Meal | >>>>>>> 2eb627b3b503ce1522c2ee6032b390992962e732Count | Percentage |
|---|---|---|---|
| 0 | =======No | >>>>>>> 2eb627b3b503ce1522c2ee6032b390992962e73238282 | 95.56 |
| 1 | =======Yes | >>>>>>> 2eb627b3b503ce1522c2ee6032b390992962e7321778 | 4.44 |
NANAAufgabe (5 Punkte): Erstelle weitere Häufigkeitstabellen
Erstelle eine summarische, univariate Statistik für alle Attribute und dokumentiere kurz allfällige Besonderheiten.
<<<<<<< HEAD#BookingCancelled
freqTableBookingCancelled <- cleanedList %>% group_by(BookingCancelled = cleanedList$BookingCancelled) %>% summarise(Count = n())
freqTableBookingCancelled <- freqTableBookingCancelled[order(freqTableBookingCancelled$Count, decreasing = TRUE),]
totalSegments <- sum(freqTableBookingCancelled$Count)
freqTableBookingCancelled <- cbind(freqTableBookingCancelled, Percentage = freqTableBookingCancelled$Count/totalSegments * 100)
kable(freqTableBookingCancelled, digits = 2, format = "pipe")#BookingCancelled
freqTableBookingCancelled <- cleanedList %>% group_by(BookingCancelled = cleanedList$BookingCancelled) %>% summarise(Count = n())
freqTableBookingCancelled <- freqTableBookingCancelled[order(freqTableBookingCancelled$Count, decreasing = TRUE),]
totalSegments <- sum(freqTableBookingCancelled$Count)
freqTableBookingCancelled <- cbind(freqTableBookingCancelled, Percentage = freqTableBookingCancelled$Count/totalSegments * 100)
kable(freqTableBookingCancelled, digits = 2, format = "pipe")| BookingCancelled | =======BookingCancelled | >>>>>>> 2eb627b3b503ce1522c2ee6032b390992962e732Count | Percentage |
|---|---|---|---|
| 0 | =======No | >>>>>>> 2eb627b3b503ce1522c2ee6032b390992962e73228938 | 72.24 |
| 1 | =======Yes | >>>>>>> 2eb627b3b503ce1522c2ee6032b390992962e73211122 | 27.76 |
#LeadTime
freqTableLeadTime <- cleanedList %>% group_by(LeadTime = cleanedList$LeadTime) %>% summarise(Count = n())
freqTableLeadTime <- freqTableLeadTime[order(freqTableLeadTime$Count, decreasing = TRUE),]
totalSegments <- sum(freqTableLeadTime$Count)
freqTableLeadTime <- cbind(freqTableLeadTime, Percentage = freqTableLeadTime$Count/totalSegments * 100)
kable(freqTableLeadTime, digits = 2, format = "pipe")#LeadTime
freqTableLeadTime <- cleanedList %>% group_by(LeadTime = cleanedList$LeadTime) %>% summarise(Count = n())
freqTableLeadTime <- freqTableLeadTime[order(freqTableLeadTime$Count, decreasing = TRUE),]
totalSegments <- sum(freqTableLeadTime$Count)
freqTableLeadTime <- cbind(freqTableLeadTime, Percentage = freqTableLeadTime$Count/totalSegments * 100)
kable(freqTableLeadTime, digits = 2, format = "pipe")| LeadTime | Count | Percentage |
|---|---|---|
| 0 | 3236 | 8.08 |
| 1 | 1595 | 3.98 |
| 2 | 939 | 2.34 |
| 3 | 794 | 1.98 |
| 4 | 663 | 1.66 |
| 5 | 600 | 1.50 |
| 7 | 573 | 1.43 |
| 6 | 538 | 1.34 |
| 10 | 391 | 0.98 |
| 8 | 388 | 0.97 |
| 11 | 385 | 0.96 |
| 9 | 368 | 0.92 |
| 12 | 343 | 0.86 |
| 17 | 317 | 0.79 |
| 40 | 310 | 0.77 |
| 14 | 305 | 0.76 |
| 13 | 282 | 0.70 |
| 16 | 278 | 0.69 |
| 24 | 274 | 0.68 |
| 15 | 272 | 0.68 |
| 22 | 264 | 0.66 |
| 31 | 261 | 0.65 |
| 18 | 257 | 0.64 |
| 19 | 255 | 0.64 |
| 26 | 251 | 0.63 |
| 21 | 240 | 0.60 |
| 23 | 234 | 0.58 |
| 29 | 233 | 0.58 |
| 36 | 231 | 0.58 |
| 30 | 223 | 0.56 |
| 32 | 223 | 0.56 |
| 20 | 219 | 0.55 |
| 27 | 214 | 0.53 |
| 25 | 213 | 0.53 |
| 33 | 211 | 0.53 |
| 47 | 203 | 0.51 |
| 28 | 200 | 0.50 |
| 37 | 196 | 0.49 |
| 45 | 189 | 0.47 |
| 112 | 186 | 0.46 |
| 35 | 185 | 0.46 |
| 39 | 183 | 0.46 |
| 72 | 182 | 0.45 |
| 44 | 179 | 0.45 |
| 34 | 177 | 0.44 |
| 41 | 168 | 0.42 |
| 49 | 168 | 0.42 |
| 152 | 168 | 0.42 |
| 38 | 159 | 0.40 |
| 43 | 158 | 0.39 |
| 74 | 157 | 0.39 |
| 131 | 157 | 0.39 |
| 66 | 155 | 0.39 |
| 78 | 154 | 0.38 |
| 82 | 154 | 0.38 |
| 46 | 152 | 0.38 |
| 48 | 152 | 0.38 |
| 42 | 148 | 0.37 |
| 80 | 147 | 0.37 |
| 50 | 143 | 0.36 |
| 92 | 142 | 0.35 |
| 169 | 141 | 0.35 |
| 57 | 140 | 0.35 |
| 73 | 140 | 0.35 |
| 53 | 139 | 0.35 |
| 60 | 139 | 0.35 |
| 103 | 136 | 0.34 |
| 51 | 135 | 0.34 |
| 65 | 134 | 0.33 |
| 81 | 134 | 0.33 |
| 61 | 132 | 0.33 |
| 128 | 132 | 0.33 |
| 62 | 131 | 0.33 |
| 168 | 131 | 0.33 |
| 183 | 131 | 0.33 |
| 52 | 130 | 0.32 |
| 59 | 130 | 0.32 |
| 70 | 130 | 0.32 |
| 55 | 129 | 0.32 |
| 83 | 129 | 0.32 |
| 94 | 128 | 0.32 |
| 124 | 128 | 0.32 |
| 165 | 128 | 0.32 |
| 113 | 127 | 0.32 |
| 87 | 126 | 0.31 |
| 211 | 126 | 0.31 |
| 67 | 123 | 0.31 |
| 143 | 123 | 0.31 |
| 172 | 122 | 0.30 |
| 203 | 122 | 0.30 |
| 56 | 120 | 0.30 |
| 69 | 120 | 0.30 |
| 77 | 117 | 0.29 |
| 259 | 117 | 0.29 |
| 54 | 116 | 0.29 |
| 86 | 116 | 0.29 |
| 96 | 116 | 0.29 |
| 155 | 116 | 0.29 |
| 64 | 114 | 0.28 |
| 185 | 114 | 0.28 |
| 171 | 113 | 0.28 |
| 100 | 112 | 0.28 |
| 244 | 112 | 0.28 |
| 236 | 111 | 0.28 |
| 287 | 109 | 0.27 |
| 93 | 108 | 0.27 |
| 115 | 108 | 0.27 |
| 58 | 107 | 0.27 |
| 136 | 107 | 0.27 |
| 63 | 106 | 0.26 |
| 76 | 105 | 0.26 |
| 85 | 105 | 0.26 |
| 88 | 105 | 0.26 |
| 116 | 105 | 0.26 |
| 162 | 105 | 0.26 |
| 105 | 104 | 0.26 |
| 140 | 103 | 0.26 |
| 68 | 102 | 0.25 |
| 108 | 102 | 0.25 |
| 159 | 102 | 0.25 |
| 101 | 99 | 0.25 |
| 123 | 99 | 0.25 |
| 71 | 97 | 0.24 |
| 89 | 97 | 0.24 |
| 98 | 97 | 0.24 |
| 84 | 96 | 0.24 |
| 106 | 96 | 0.24 |
| 181 | 96 | 0.24 |
| 90 | 95 | 0.24 |
| 95 | 95 | 0.24 |
| 199 | 95 | 0.24 |
| 222 | 95 | 0.24 |
| 79 | 94 | 0.23 |
| 107 | 94 | 0.23 |
| 151 | 94 | 0.23 |
| 166 | 94 | 0.23 |
| 157 | 92 | 0.23 |
| 214 | 92 | 0.23 |
| 117 | 91 | 0.23 |
| 126 | 91 | 0.23 |
| 148 | 90 | 0.22 |
| 191 | 90 | 0.22 |
| 225 | 89 | 0.22 |
| 177 | 88 | 0.22 |
| 197 | 88 | 0.22 |
| 121 | 87 | 0.22 |
| 102 | 86 | 0.21 |
| 149 | 86 | 0.21 |
| 178 | 86 | 0.21 |
| 110 | 84 | 0.21 |
| 154 | 84 | 0.21 |
| 167 | 84 | 0.21 |
| 207 | 84 | 0.21 |
| 138 | 83 | 0.21 |
| 97 | 82 | 0.20 |
| 119 | 82 | 0.20 |
| 238 | 82 | 0.20 |
| 91 | 81 | 0.20 |
| 111 | 81 | 0.20 |
| 129 | 81 | 0.20 |
| 146 | 81 | 0.20 |
| 364 | 81 | 0.20 |
| 114 | 80 | 0.20 |
| 156 | 80 | 0.20 |
| 130 | 79 | 0.20 |
| 160 | 79 | 0.20 |
| 223 | 79 | 0.20 |
| 75 | 78 | 0.19 |
| 125 | 78 | 0.19 |
| 153 | 78 | 0.19 |
| 212 | 78 | 0.19 |
| 213 | 78 | 0.19 |
| 99 | 77 | 0.19 |
| 132 | 77 | 0.19 |
| 164 | 77 | 0.19 |
| 139 | 76 | 0.19 |
| 277 | 76 | 0.19 |
| 104 | 75 | 0.19 |
| 118 | 75 | 0.19 |
| 144 | 75 | 0.19 |
| 336 | 75 | 0.19 |
| 109 | 74 | 0.18 |
| 122 | 73 | 0.18 |
| 210 | 73 | 0.18 |
| 239 | 73 | 0.18 |
| 174 | 72 | 0.18 |
| 221 | 72 | 0.18 |
| 245 | 72 | 0.18 |
| 383 | 72 | 0.18 |
| 142 | 71 | 0.18 |
| 170 | 71 | 0.18 |
| 247 | 71 | 0.18 |
| 187 | 70 | 0.17 |
| 219 | 70 | 0.17 |
| 135 | 69 | 0.17 |
| 145 | 69 | 0.17 |
| 386 | 69 | 0.17 |
| 173 | 68 | 0.17 |
| 180 | 68 | 0.17 |
| 158 | 67 | 0.17 |
| 161 | 67 | 0.17 |
| 201 | 67 | 0.17 |
| 253 | 67 | 0.17 |
| 163 | 65 | 0.16 |
| 120 | 64 | 0.16 |
| 179 | 64 | 0.16 |
| 189 | 64 | 0.16 |
| 195 | 64 | 0.16 |
| 292 | 64 | 0.16 |
| 150 | 63 | 0.16 |
| 133 | 62 | 0.15 |
| 141 | 62 | 0.15 |
| 127 | 61 | 0.15 |
| 134 | 60 | 0.15 |
| 196 | 60 | 0.15 |
| 200 | 60 | 0.15 |
| 192 | 59 | 0.15 |
| 208 | 59 | 0.15 |
| 188 | 58 | 0.14 |
| 198 | 58 | 0.14 |
| 231 | 58 | 0.14 |
| 251 | 58 | 0.14 |
| 275 | 58 | 0.14 |
| 237 | 56 | 0.14 |
| 147 | 55 | 0.14 |
| 194 | 55 | 0.14 |
| 205 | 55 | 0.14 |
| 220 | 54 | 0.13 |
| 226 | 54 | 0.13 |
| 241 | 54 | 0.13 |
| 272 | 54 | 0.13 |
| 137 | 53 | 0.13 |
| 186 | 53 | 0.13 |
| 202 | 53 | 0.13 |
| 182 | 52 | 0.13 |
| 184 | 52 | 0.13 |
| 289 | 52 | 0.13 |
| 339 | 52 | 0.13 |
| 175 | 51 | 0.13 |
| 206 | 51 | 0.13 |
| 227 | 51 | 0.13 |
| 215 | 49 | 0.12 |
| 190 | 48 | 0.12 |
| 193 | 47 | 0.12 |
| 204 | 47 | 0.12 |
| 224 | 47 | 0.12 |
| 252 | 47 | 0.12 |
| 468 | 47 | 0.12 |
| 216 | 45 | 0.11 |
| 232 | 45 | 0.11 |
| 342 | 45 | 0.11 |
| 217 | 44 | 0.11 |
| 312 | 44 | 0.11 |
| 176 | 43 | 0.11 |
| 234 | 42 | 0.10 |
| 209 | 41 | 0.10 |
| 248 | 41 | 0.10 |
| 250 | 41 | 0.10 |
| 254 | 41 | 0.10 |
| 257 | 41 | 0.10 |
| 246 | 40 | 0.10 |
| 261 | 40 | 0.10 |
| 243 | 39 | 0.10 |
| 262 | 39 | 0.10 |
| 258 | 38 | 0.09 |
| 274 | 37 | 0.09 |
| 230 | 36 | 0.09 |
| 265 | 36 | 0.09 |
| 283 | 36 | 0.09 |
| 218 | 35 | 0.09 |
| 240 | 35 | 0.09 |
| 279 | 35 | 0.09 |
| 304 | 35 | 0.09 |
| 322 | 35 | 0.09 |
| 267 | 34 | 0.08 |
| 285 | 34 | 0.08 |
| 302 | 34 | 0.08 |
| 255 | 32 | 0.08 |
| 305 | 32 | 0.08 |
| 228 | 29 | 0.07 |
| 266 | 29 | 0.07 |
| 288 | 29 | 0.07 |
| 319 | 29 | 0.07 |
| 323 | 29 | 0.07 |
| 327 | 29 | 0.07 |
| 385 | 29 | 0.07 |
| 235 | 28 | 0.07 |
| 286 | 28 | 0.07 |
| 393 | 28 | 0.07 |
| 233 | 27 | 0.07 |
| 270 | 26 | 0.06 |
| 320 | 26 | 0.06 |
| 337 | 26 | 0.06 |
| 229 | 25 | 0.06 |
| 351 | 25 | 0.06 |
| 242 | 24 | 0.06 |
| 256 | 24 | 0.06 |
| 260 | 24 | 0.06 |
| 333 | 24 | 0.06 |
| 411 | 24 | 0.06 |
| 273 | 23 | 0.06 |
| 276 | 23 | 0.06 |
| 280 | 23 | 0.06 |
| 297 | 23 | 0.06 |
| 313 | 23 | 0.06 |
| 328 | 23 | 0.06 |
| 542 | 23 | 0.06 |
| 294 | 22 | 0.05 |
| 310 | 22 | 0.05 |
| 264 | 21 | 0.05 |
| 309 | 21 | 0.05 |
| 249 | 20 | 0.05 |
| 269 | 20 | 0.05 |
| 301 | 20 | 0.05 |
| 318 | 20 | 0.05 |
| 335 | 20 | 0.05 |
| 343 | 20 | 0.05 |
| 350 | 20 | 0.05 |
| 388 | 20 | 0.05 |
| 462 | 20 | 0.05 |
| 263 | 19 | 0.05 |
| 268 | 19 | 0.05 |
| 311 | 19 | 0.05 |
| 315 | 19 | 0.05 |
| 378 | 19 | 0.05 |
| 282 | 18 | 0.04 |
| 314 | 18 | 0.04 |
| 326 | 18 | 0.04 |
| 338 | 18 | 0.04 |
| 291 | 17 | 0.04 |
| 295 | 17 | 0.04 |
| 300 | 17 | 0.04 |
| 307 | 17 | 0.04 |
| 317 | 17 | 0.04 |
| 397 | 17 | 0.04 |
| 284 | 16 | 0.04 |
| 321 | 16 | 0.04 |
| 296 | 15 | 0.04 |
| 306 | 15 | 0.04 |
| 330 | 15 | 0.04 |
| 271 | 14 | 0.03 |
| 303 | 14 | 0.03 |
| 334 | 14 | 0.03 |
| 352 | 14 | 0.03 |
| 278 | 13 | 0.03 |
| 290 | 13 | 0.03 |
| 293 | 13 | 0.03 |
| 332 | 13 | 0.03 |
| 324 | 12 | 0.03 |
| 340 | 12 | 0.03 |
| 347 | 11 | 0.03 |
| 353 | 11 | 0.03 |
| 365 | 11 | 0.03 |
| 281 | 10 | 0.02 |
| 308 | 10 | 0.02 |
| 345 | 10 | 0.02 |
| 298 | 9 | 0.02 |
| 325 | 9 | 0.02 |
| 329 | 9 | 0.02 |
| 299 | 8 | 0.02 |
| 344 | 8 | 0.02 |
| 348 | 8 | 0.02 |
| 349 | 8 | 0.02 |
| 358 | 8 | 0.02 |
| 363 | 8 | 0.02 |
| 316 | 7 | 0.02 |
| 331 | 7 | 0.02 |
| 346 | 7 | 0.02 |
| 354 | 7 | 0.02 |
| 360 | 7 | 0.02 |
| 341 | 6 | 0.01 |
| 355 | 6 | 0.01 |
| 406 | 6 | 0.01 |
| 471 | 6 | 0.01 |
| 359 | 5 | 0.01 |
| 361 | 5 | 0.01 |
| 368 | 5 | 0.01 |
| 379 | 5 | 0.01 |
| 390 | 4 | 0.01 |
| 356 | 3 | 0.01 |
| 357 | 3 | 0.01 |
| 367 | 3 | 0.01 |
| 376 | 3 | 0.01 |
| 445 | 3 | 0.01 |
| 460 | 3 | 0.01 |
| 362 | 2 | 0.00 |
| 366 | 2 | 0.00 |
| 373 | 2 | 0.00 |
| 375 | 2 | 0.00 |
| 381 | 2 | 0.00 |
| 382 | 2 | 0.00 |
| 384 | 2 | 0.00 |
| 389 | 2 | 0.00 |
| 394 | 2 | 0.00 |
| 399 | 2 | 0.00 |
| 403 | 2 | 0.00 |
| 407 | 2 | 0.00 |
| 422 | 2 | 0.00 |
| 370 | 1 | 0.00 |
| 371 | 1 | 0.00 |
| 372 | 1 | 0.00 |
| 374 | 1 | 0.00 |
| 398 | 1 | 0.00 |
| 400 | 1 | 0.00 |
| 424 | 1 | 0.00 |
| 434 | 1 | 0.00 |
| 435 | 1 | 0.00 |
| 450 | 1 | 0.00 |
| 454 | 1 | 0.00 |
| 532 | 1 | 0.00 |
| 709 | 1 | 0.00 |
| 737 | 1 | 0.00 |
Erkenntniss: Erstaundlich viele kurzfristige Buchungen.
<<<<<<< HEAD#Country
freqTableCountry <- cleanedList %>% group_by(Country = cleanedList$Country) %>% summarise(Count = n())
freqTableCountry <- freqTableCountry[order(freqTableCountry$Count, decreasing = TRUE),]
totalSegments <- sum(freqTableCountry$Count)
freqTableCountry <- cbind(freqTableCountry, Percentage = freqTableCountry$Count/totalSegments * 100)
kable(freqTableCountry, digits = 2, format = "pipe")#Country
freqTableCountry <- cleanedList %>% group_by(Country = cleanedList$Country) %>% summarise(Count = n())
freqTableCountry <- freqTableCountry[order(freqTableCountry$Count, decreasing = TRUE),]
totalSegments <- sum(freqTableCountry$Count)
freqTableCountry <- cbind(freqTableCountry, Percentage = freqTableCountry$Count/totalSegments * 100)
kable(freqTableCountry, digits = 2, format = "pipe")| Country | Count | Percentage |
|---|---|---|
| PRT | 17630 | 44.01 |
| GBR | 6814 | 17.01 |
| ESP | 3957 | 9.88 |
| IRL | 2166 | 5.41 |
| FRA | 1611 | 4.02 |
| DEU | 1203 | 3.00 |
| CN | 710 | 1.77 |
| NLD | 514 | 1.28 |
| USA | 479 | 1.20 |
| NULL | 464 | 1.16 |
| ITA | 459 | 1.15 |
| BEL | 448 | 1.12 |
| CHE | 435 | 1.09 |
| BRA | 430 | 1.07 |
| POL | 333 | 0.83 |
| SWE | 304 | 0.76 |
| AUT | 210 | 0.52 |
| RUS | 189 | 0.47 |
| ROU | 177 | 0.44 |
| FIN | 151 | 0.38 |
| CHN | 134 | 0.33 |
| NOR | 123 | 0.31 |
| AUS | 87 | 0.22 |
| LUX | 80 | 0.20 |
| MAR | 75 | 0.19 |
| DNK | 65 | 0.16 |
| ARG | 57 | 0.14 |
| HUN | 47 | 0.12 |
| LTU | 46 | 0.11 |
| IND | 37 | 0.09 |
| EST | 33 | 0.08 |
| LVA | 33 | 0.08 |
| ISR | 28 | 0.07 |
| CZE | 27 | 0.07 |
| AGO | 24 | 0.06 |
| TUR | 23 | 0.06 |
| UKR | 23 | 0.06 |
| ZAF | 18 | 0.04 |
| CHL | 17 | 0.04 |
| COL | 16 | 0.04 |
| PHL | 16 | 0.04 |
| NZL | 14 | 0.03 |
| GIB | 13 | 0.03 |
| DZA | 12 | 0.03 |
| SVK | 12 | 0.03 |
| TWN | 12 | 0.03 |
| ARE | 11 | 0.03 |
| GEO | 11 | 0.03 |
| HRV | 11 | 0.03 |
| OMN | 11 | 0.03 |
| SVN | 11 | 0.03 |
| GRC | 10 | 0.02 |
| MYS | 10 | 0.02 |
| NGA | 10 | 0.02 |
| JPN | 9 | 0.02 |
| KOR | 9 | 0.02 |
| PRI | 9 | 0.02 |
| CYP | 8 | 0.02 |
| URY | 8 | 0.02 |
| BLR | 7 | 0.02 |
| SRB | 7 | 0.02 |
| ISL | 6 | 0.01 |
| LBN | 6 | 0.01 |
| MDV | 6 | 0.01 |
| MEX | 6 | 0.01 |
| MOZ | 6 | 0.01 |
| THA | 6 | 0.01 |
| AND | 5 | 0.01 |
| BGR | 5 | 0.01 |
| CPV | 5 | 0.01 |
| IDN | 5 | 0.01 |
| IRN | 5 | 0.01 |
| JAM | 5 | 0.01 |
| KAZ | 5 | 0.01 |
| CUB | 4 | 0.01 |
| HKG | 4 | 0.01 |
| PAK | 4 | 0.01 |
| SGP | 4 | 0.01 |
| SUR | 4 | 0.01 |
| ALB | 3 | 0.01 |
| AZE | 3 | 0.01 |
| CAF | 3 | 0.01 |
| DOM | 3 | 0.01 |
| JEY | 3 | 0.01 |
| KWT | 3 | 0.01 |
| VEN | 3 | 0.01 |
| ARM | 2 | 0.00 |
| CIV | 2 | 0.00 |
| CMR | 2 | 0.00 |
| CRI | 2 | 0.00 |
| ECU | 2 | 0.00 |
| JOR | 2 | 0.00 |
| MLT | 2 | 0.00 |
| MWI | 2 | 0.00 |
| VNM | 2 | 0.00 |
| ZWE | 2 | 0.00 |
| BDI | 1 | 0.00 |
| BHR | 1 | 0.00 |
| BHS | 1 | 0.00 |
| BIH | 1 | 0.00 |
| BWA | 1 | 0.00 |
| COM | 1 | 0.00 |
| CYM | 1 | 0.00 |
| DJI | 1 | 0.00 |
| EGY | 1 | 0.00 |
| FJI | 1 | 0.00 |
| GGY | 1 | 0.00 |
| LKA | 1 | 0.00 |
| MAC | 1 | 0.00 |
| MDG | 1 | 0.00 |
| MKD | 1 | 0.00 |
| MUS | 1 | 0.00 |
| NPL | 1 | 0.00 |
| PER | 1 | 0.00 |
| PLW | 1 | 0.00 |
| QAT | 1 | 0.00 |
| SAU | 1 | 0.00 |
| SEN | 1 | 0.00 |
| SMR | 1 | 0.00 |
| SYC | 1 | 0.00 |
| SYR | 1 | 0.00 |
| TGO | 1 | 0.00 |
| TUN | 1 | 0.00 |
| UGA | 1 | 0.00 |
| UZB | 1 | 0.00 |
| ZMB | 1 | 0.00 |
Erkenntniss: Viele Besucher von Portugal.
<<<<<<< HEAD#BookingChanges
freqTableBookingChanges <- cleanedList %>% group_by(BookingChanges = cleanedList$BookingChanges) %>% summarise(Count = n())
freqTableBookingChanges <- freqTableBookingChanges[order(freqTableBookingChanges$Count, decreasing = TRUE),]
totalSegments <- sum(freqTableBookingChanges$Count)
freqTableBookingChanges <- cbind(freqTableBookingChanges, Percentage = freqTableBookingChanges$Count/totalSegments * 100)
kable(freqTableBookingChanges, digits = 2, format = "pipe")#BookingChanges
freqTableBookingChanges <- cleanedList %>% group_by(BookingChanges = cleanedList$BookingChanges) %>% summarise(Count = n())
freqTableBookingChanges <- freqTableBookingChanges[order(freqTableBookingChanges$Count, decreasing = TRUE),]
totalSegments <- sum(freqTableBookingChanges$Count)
freqTableBookingChanges <- cbind(freqTableBookingChanges, Percentage = freqTableBookingChanges$Count/totalSegments * 100)
kable(freqTableBookingChanges, digits = 2, format = "pipe")| BookingChanges | Count | Percentage |
|---|---|---|
| 0 | 32252 | 80.51 |
| 1 | 5469 | 13.65 |
| 2 | 1561 | 3.90 |
| 3 | 460 | 1.15 |
| 4 | 182 | 0.45 |
| 5 | 72 | 0.18 |
| 6 | 32 | 0.08 |
| 7 | 12 | 0.03 |
| 8 | 8 | 0.02 |
| 9 | 4 | 0.01 |
| 10 | 3 | 0.01 |
| 13 | 2 | 0.00 |
| 12 | 1 | 0.00 |
| 16 | 1 | 0.00 |
| 17 | 1 | 0.00 |
Erkenntniss: Keine auserordentliche Erkenntniss
<<<<<<< HEAD#DepositType
freqTableDepositType <- cleanedList %>% group_by(DepositType = cleanedList$DepositType) %>% summarise(Count = n())
freqTableDepositType <- freqTableDepositType[order(freqTableDepositType$Count, decreasing = TRUE),]
totalSegments <- sum(freqTableDepositType$Count)
freqTableDepositType <- cbind(freqTableDepositType, Percentage = freqTableDepositType$Count/totalSegments * 100)
kable(freqTableDepositType, digits = 2, format = "pipe")#DepositType
freqTableDepositType <- cleanedList %>% group_by(DepositType = cleanedList$DepositType) %>% summarise(Count = n())
freqTableDepositType <- freqTableDepositType[order(freqTableDepositType$Count, decreasing = TRUE),]
totalSegments <- sum(freqTableDepositType$Count)
freqTableDepositType <- cbind(freqTableDepositType, Percentage = freqTableDepositType$Count/totalSegments * 100)
kable(freqTableDepositType, digits = 2, format = "pipe")| DepositType | Count | Percentage |
|---|---|---|
| No Deposit | 38199 | 95.35 |
| Non Refund | 1719 | 4.29 |
| Refundable | 142 | 0.35 |
Erkenntniss: Hauptsächlich kein Depot hinterlegt.
<<<<<<< HEAD#CustomerType
freqTableCustomerType <- cleanedList %>% group_by(CustomerType = cleanedList$CustomerType) %>% summarise(Count = n())
freqTableCustomerType <- freqTableCustomerType[order(freqTableCustomerType$Count, decreasing = TRUE),]
totalSegments <- sum(freqTableCustomerType$Count)
freqTableCustomerType <- cbind(freqTableCustomerType, Percentage = freqTableCustomerType$Count/totalSegments * 100)
kable(freqTableCustomerType, digits = 2, format = "pipe")#CustomerType
freqTableCustomerType <- cleanedList %>% group_by(CustomerType = cleanedList$CustomerType) %>% summarise(Count = n())
freqTableCustomerType <- freqTableCustomerType[order(freqTableCustomerType$Count, decreasing = TRUE),]
totalSegments <- sum(freqTableCustomerType$Count)
freqTableCustomerType <- cbind(freqTableCustomerType, Percentage = freqTableCustomerType$Count/totalSegments * 100)
kable(freqTableCustomerType, digits = 2, format = "pipe")| CustomerType | Count | Percentage |
|---|---|---|
| Transient | 30209 | 75.41 |
| Transient-Party | 7791 | 19.45 |
| Contract | 1776 | 4.43 |
| Group | 284 | 0.71 |
Erkenntniss: Keine speziellen Erkenntnisse.
<<<<<<< HEAD#RequiredCarParkingSpaces
freqTableRequiredCarParkingSpaces <- cleanedList %>% group_by(RequiredCarParkingSpaces = cleanedList$RequiredCarParkingSpaces) %>% summarise(Count = n())
freqTableRequiredCarParkingSpaces <- freqTableRequiredCarParkingSpaces[order(freqTableRequiredCarParkingSpaces$Count, decreasing = TRUE),]
totalSegments <- sum(freqTableRequiredCarParkingSpaces$Count)
freqTableRequiredCarParkingSpaces <- cbind(freqTableRequiredCarParkingSpaces, Percentage = freqTableRequiredCarParkingSpaces$Count/totalSegments * 100)
kable(freqTableRequiredCarParkingSpaces, digits = 2, format = "pipe")#RequiredCarParkingSpaces
freqTableRequiredCarParkingSpaces <- cleanedList %>% group_by(RequiredCarParkingSpaces = cleanedList$RequiredCarParkingSpaces) %>% summarise(Count = n())
freqTableRequiredCarParkingSpaces <- freqTableRequiredCarParkingSpaces[order(freqTableRequiredCarParkingSpaces$Count, decreasing = TRUE),]
totalSegments <- sum(freqTableRequiredCarParkingSpaces$Count)
freqTableRequiredCarParkingSpaces <- cbind(freqTableRequiredCarParkingSpaces, Percentage = freqTableRequiredCarParkingSpaces$Count/totalSegments * 100)
kable(freqTableRequiredCarParkingSpaces, digits = 2, format = "pipe")| RequiredCarParkingSpaces | Count | Percentage |
|---|---|---|
| 0 | 34570 | 86.30 |
| 1 | 5462 | 13.63 |
| 2 | 25 | 0.06 |
| 8 | 2 | 0.00 |
| 3 | 1 | 0.00 |
Erkenntniss: Die Mehrheit kommt ohne Auto.
<<<<<<< HEAD#ReservationStatus
freqTableReservationStatus <- cleanedList %>% group_by(ReservationStatus = cleanedList$ReservationStatus) %>% summarise(Count = n())
freqTableReservationStatus <- freqTableReservationStatus[order(freqTableReservationStatus$Count, decreasing = TRUE),]
totalSegments <- sum(freqTableReservationStatus$Count)
freqTableReservationStatus <- cbind(freqTableReservationStatus, Percentage = freqTableReservationStatus$Count/totalSegments * 100)
kable(freqTableReservationStatus, digits = 2, format = "pipe")#ReservationStatus
freqTableReservationStatus <- cleanedList %>% group_by(ReservationStatus = cleanedList$ReservationStatus) %>% summarise(Count = n())
freqTableReservationStatus <- freqTableReservationStatus[order(freqTableReservationStatus$Count, decreasing = TRUE),]
totalSegments <- sum(freqTableReservationStatus$Count)
freqTableReservationStatus <- cbind(freqTableReservationStatus, Percentage = freqTableReservationStatus$Count/totalSegments * 100)
kable(freqTableReservationStatus, digits = 2, format = "pipe")| ReservationStatus | Count | Percentage |
|---|---|---|
| Check-Out | 28938 | 72.24 |
| Canceled | 10831 | 27.04 |
| No-Show | 291 | 0.73 |
Erkenntniss: Keine speziellen Erkenntnisse.
<<<<<<< HEAD#Company
freqTableCompany <- cleanedList %>% group_by(Company = cleanedList$Company) %>% summarise(Count = n())
freqTableCompany <- freqTableCompany[order(freqTableCompany$Count, decreasing = TRUE),]
totalSegments <- sum(freqTableCompany$Count)
freqTableCompany <- cbind(freqTableCompany, Percentage = freqTableCompany$Count/totalSegments * 100)
kable(freqTableCompany, digits = 2, format = "pipe")#Company
freqTableCompany <- cleanedList %>% group_by(Company = cleanedList$Company) %>% summarise(Count = n())
freqTableCompany <- freqTableCompany[order(freqTableCompany$Count, decreasing = TRUE),]
totalSegments <- sum(freqTableCompany$Count)
freqTableCompany <- cbind(freqTableCompany, Percentage = freqTableCompany$Count/totalSegments * 100)
kable(freqTableCompany, digits = 2, format = "pipe")| Company | Count | Percentage |
|---|---|---|
| NULL | 36952 | 92.24 |
| 223 | 784 | 1.96 |
| 281 | 138 | 0.34 |
| 154 | 133 | 0.33 |
| 405 | 100 | 0.25 |
| 94 | 87 | 0.22 |
| 135 | 64 | 0.16 |
| 331 | 58 | 0.14 |
| 498 | 58 | 0.14 |
| 47 | 56 | 0.14 |
| 110 | 51 | 0.13 |
| 20 | 50 | 0.12 |
| 342 | 48 | 0.12 |
| 270 | 43 | 0.11 |
| 195 | 38 | 0.09 |
| 113 | 36 | 0.09 |
| 174 | 36 | 0.09 |
| 204 | 34 | 0.08 |
| 307 | 34 | 0.08 |
| 269 | 33 | 0.08 |
| 308 | 32 | 0.08 |
| 86 | 32 | 0.08 |
| 343 | 29 | 0.07 |
| 178 | 27 | 0.07 |
| 169 | 26 | 0.06 |
| 337 | 25 | 0.06 |
| 507 | 23 | 0.06 |
| 477 | 22 | 0.05 |
| 88 | 22 | 0.05 |
| 9 | 22 | 0.05 |
| 286 | 21 | 0.05 |
| 523 | 19 | 0.05 |
| 144 | 18 | 0.04 |
| 31 | 17 | 0.04 |
| 103 | 16 | 0.04 |
| 290 | 16 | 0.04 |
| 292 | 16 | 0.04 |
| 251 | 15 | 0.04 |
| 397 | 15 | 0.04 |
| 525 | 15 | 0.04 |
| 62 | 15 | 0.04 |
| 12 | 14 | 0.03 |
| 268 | 14 | 0.03 |
| 274 | 14 | 0.03 |
| 346 | 14 | 0.03 |
| 82 | 14 | 0.03 |
| 112 | 13 | 0.03 |
| 355 | 13 | 0.03 |
| 390 | 13 | 0.03 |
| 51 | 13 | 0.03 |
| 81 | 13 | 0.03 |
| 92 | 13 | 0.03 |
| 291 | 12 | 0.03 |
| 338 | 12 | 0.03 |
| 367 | 12 | 0.03 |
| 380 | 12 | 0.03 |
| 99 | 12 | 0.03 |
| 130 | 11 | 0.03 |
| 371 | 11 | 0.03 |
| 399 | 11 | 0.03 |
| 43 | 11 | 0.03 |
| 504 | 11 | 0.03 |
| 108 | 10 | 0.02 |
| 323 | 10 | 0.02 |
| 360 | 10 | 0.02 |
| 324 | 9 | 0.02 |
| 356 | 9 | 0.02 |
| 83 | 9 | 0.02 |
| 317 | 8 | 0.02 |
| 34 | 8 | 0.02 |
| 379 | 8 | 0.02 |
| 384 | 8 | 0.02 |
| 39 | 8 | 0.02 |
| 421 | 8 | 0.02 |
| 428 | 8 | 0.02 |
| 53 | 8 | 0.02 |
| 118 | 7 | 0.02 |
| 167 | 7 | 0.02 |
| 225 | 7 | 0.02 |
| 263 | 7 | 0.02 |
| 297 | 7 | 0.02 |
| 329 | 7 | 0.02 |
| 388 | 7 | 0.02 |
| 437 | 7 | 0.02 |
| 521 | 7 | 0.02 |
| 59 | 7 | 0.02 |
| 120 | 6 | 0.01 |
| 159 | 6 | 0.01 |
| 22 | 6 | 0.01 |
| 364 | 6 | 0.01 |
| 394 | 6 | 0.01 |
| 511 | 6 | 0.01 |
| 515 | 6 | 0.01 |
| 16 | 5 | 0.01 |
| 254 | 5 | 0.01 |
| 255 | 5 | 0.01 |
| 28 | 5 | 0.01 |
| 287 | 5 | 0.01 |
| 302 | 5 | 0.01 |
| 382 | 5 | 0.01 |
| 42 | 5 | 0.01 |
| 459 | 5 | 0.01 |
| 470 | 5 | 0.01 |
| 490 | 5 | 0.01 |
| 530 | 5 | 0.01 |
| 116 | 4 | 0.01 |
| 148 | 4 | 0.01 |
| 192 | 4 | 0.01 |
| 353 | 4 | 0.01 |
| 358 | 4 | 0.01 |
| 392 | 4 | 0.01 |
| 465 | 4 | 0.01 |
| 137 | 3 | 0.01 |
| 146 | 3 | 0.01 |
| 165 | 3 | 0.01 |
| 200 | 3 | 0.01 |
| 207 | 3 | 0.01 |
| 240 | 3 | 0.01 |
| 277 | 3 | 0.01 |
| 282 | 3 | 0.01 |
| 330 | 3 | 0.01 |
| 366 | 3 | 0.01 |
| 369 | 3 | 0.01 |
| 378 | 3 | 0.01 |
| 395 | 3 | 0.01 |
| 40 | 3 | 0.01 |
| 445 | 3 | 0.01 |
| 448 | 3 | 0.01 |
| 457 | 3 | 0.01 |
| 494 | 3 | 0.01 |
| 512 | 3 | 0.01 |
| 72 | 3 | 0.01 |
| 14 | 2 | 0.00 |
| 168 | 2 | 0.00 |
| 224 | 2 | 0.00 |
| 232 | 2 | 0.00 |
| 250 | 2 | 0.00 |
| 272 | 2 | 0.00 |
| 289 | 2 | 0.00 |
| 29 | 2 | 0.00 |
| 312 | 2 | 0.00 |
| 319 | 2 | 0.00 |
| 325 | 2 | 0.00 |
| 370 | 2 | 0.00 |
| 391 | 2 | 0.00 |
| 403 | 2 | 0.00 |
| 409 | 2 | 0.00 |
| 423 | 2 | 0.00 |
| 436 | 2 | 0.00 |
| 443 | 2 | 0.00 |
| 444 | 2 | 0.00 |
| 447 | 2 | 0.00 |
| 456 | 2 | 0.00 |
| 458 | 2 | 0.00 |
| 460 | 2 | 0.00 |
| 482 | 2 | 0.00 |
| 484 | 2 | 0.00 |
| 513 | 2 | 0.00 |
| 514 | 2 | 0.00 |
| 518 | 2 | 0.00 |
| 52 | 2 | 0.00 |
| 528 | 2 | 0.00 |
| 534 | 2 | 0.00 |
| 539 | 2 | 0.00 |
| 543 | 2 | 0.00 |
| 61 | 2 | 0.00 |
| 78 | 2 | 0.00 |
| 84 | 2 | 0.00 |
| 10 | 1 | 0.00 |
| 102 | 1 | 0.00 |
| 104 | 1 | 0.00 |
| 109 | 1 | 0.00 |
| 126 | 1 | 0.00 |
| 184 | 1 | 0.00 |
| 193 | 1 | 0.00 |
| 203 | 1 | 0.00 |
| 212 | 1 | 0.00 |
| 218 | 1 | 0.00 |
| 242 | 1 | 0.00 |
| 246 | 1 | 0.00 |
| 278 | 1 | 0.00 |
| 318 | 1 | 0.00 |
| 32 | 1 | 0.00 |
| 333 | 1 | 0.00 |
| 347 | 1 | 0.00 |
| 349 | 1 | 0.00 |
| 351 | 1 | 0.00 |
| 361 | 1 | 0.00 |
| 362 | 1 | 0.00 |
| 365 | 1 | 0.00 |
| 372 | 1 | 0.00 |
| 373 | 1 | 0.00 |
| 376 | 1 | 0.00 |
| 377 | 1 | 0.00 |
| 383 | 1 | 0.00 |
| 386 | 1 | 0.00 |
| 396 | 1 | 0.00 |
| 398 | 1 | 0.00 |
| 400 | 1 | 0.00 |
| 401 | 1 | 0.00 |
| 402 | 1 | 0.00 |
| 407 | 1 | 0.00 |
| 408 | 1 | 0.00 |
| 410 | 1 | 0.00 |
| 413 | 1 | 0.00 |
| 415 | 1 | 0.00 |
| 416 | 1 | 0.00 |
| 419 | 1 | 0.00 |
| 422 | 1 | 0.00 |
| 424 | 1 | 0.00 |
| 425 | 1 | 0.00 |
| 435 | 1 | 0.00 |
| 439 | 1 | 0.00 |
| 442 | 1 | 0.00 |
| 454 | 1 | 0.00 |
| 455 | 1 | 0.00 |
| 461 | 1 | 0.00 |
| 466 | 1 | 0.00 |
| 478 | 1 | 0.00 |
| 485 | 1 | 0.00 |
| 486 | 1 | 0.00 |
| 487 | 1 | 0.00 |
| 491 | 1 | 0.00 |
| 496 | 1 | 0.00 |
| 499 | 1 | 0.00 |
| 501 | 1 | 0.00 |
| 506 | 1 | 0.00 |
| 516 | 1 | 0.00 |
| 520 | 1 | 0.00 |
| 531 | 1 | 0.00 |
| 54 | 1 | 0.00 |
| 541 | 1 | 0.00 |
| 6 | 1 | 0.00 |
| 64 | 1 | 0.00 |
| 77 | 1 | 0.00 |
| 80 | 1 | 0.00 |
Erkenntniss: Die Firma 223 ist ein grosser Kunde.
<<<<<<< HEAD#Agent
freqTableAgent <- cleanedList %>% group_by(Agent = cleanedList$Agent) %>% summarise(Count = n())
freqTableAgent <- freqTableAgent[order(freqTableAgent$Count, decreasing = TRUE),]
totalSegments <- sum(freqTableAgent$Count)
freqTableAgent <- cbind(freqTableAgent, Percentage = freqTableAgent$Count/totalSegments * 100)
kable(freqTableAgent, digits = 2, format = "pipe")#Agent
freqTableAgent <- cleanedList %>% group_by(Agent = cleanedList$Agent) %>% summarise(Count = n())
freqTableAgent <- freqTableAgent[order(freqTableAgent$Count, decreasing = TRUE),]
totalSegments <- sum(freqTableAgent$Count)
freqTableAgent <- cbind(freqTableAgent, Percentage = freqTableAgent$Count/totalSegments * 100)
kable(freqTableAgent, digits = 2, format = "pipe")| Agent | Count | Percentage |
|---|---|---|
| 240 | 13905 | 34.71 |
| NULL | 8209 | 20.49 |
| 250 | 2869 | 7.16 |
| 241 | 1721 | 4.30 |
| 40 | 1002 | 2.50 |
| 314 | 927 | 2.31 |
| 242 | 779 | 1.94 |
| 6 | 607 | 1.52 |
| 96 | 537 | 1.34 |
| 243 | 514 | 1.28 |
| 298 | 472 | 1.18 |
| 171 | 363 | 0.91 |
| 273 | 349 | 0.87 |
| 177 | 327 | 0.82 |
| 196 | 291 | 0.73 |
| 134 | 287 | 0.72 |
| 8 | 278 | 0.69 |
| 315 | 256 | 0.64 |
| 15 | 242 | 0.60 |
| 38 | 236 | 0.59 |
| 5 | 228 | 0.57 |
| 115 | 225 | 0.56 |
| 251 | 220 | 0.55 |
| 68 | 211 | 0.53 |
| 175 | 195 | 0.49 |
| 156 | 190 | 0.47 |
| 208 | 173 | 0.43 |
| 143 | 172 | 0.43 |
| 142 | 137 | 0.34 |
| 147 | 133 | 0.33 |
| 410 | 133 | 0.33 |
| 248 | 131 | 0.33 |
| 67 | 127 | 0.32 |
| 146 | 124 | 0.31 |
| 95 | 120 | 0.30 |
| 26 | 106 | 0.26 |
| 11 | 105 | 0.26 |
| 2 | 102 | 0.25 |
| 464 | 97 | 0.24 |
| 330 | 91 | 0.23 |
| 69 | 88 | 0.22 |
| 253 | 87 | 0.22 |
| 185 | 78 | 0.19 |
| 339 | 77 | 0.19 |
| 36 | 71 | 0.18 |
| 71 | 71 | 0.18 |
| 75 | 70 | 0.17 |
| 531 | 68 | 0.17 |
| 281 | 64 | 0.16 |
| 385 | 60 | 0.15 |
| 181 | 59 | 0.15 |
| 155 | 58 | 0.14 |
| 440 | 56 | 0.14 |
| 332 | 55 | 0.14 |
| 1 | 54 | 0.13 |
| 308 | 54 | 0.13 |
| 184 | 52 | 0.13 |
| 152 | 51 | 0.13 |
| 249 | 51 | 0.13 |
| 495 | 50 | 0.12 |
| 468 | 49 | 0.12 |
| 436 | 47 | 0.12 |
| 127 | 45 | 0.11 |
| 183 | 45 | 0.11 |
| 305 | 45 | 0.11 |
| 368 | 45 | 0.11 |
| 201 | 42 | 0.10 |
| 168 | 40 | 0.10 |
| 66 | 39 | 0.10 |
| 261 | 38 | 0.09 |
| 245 | 37 | 0.09 |
| 375 | 37 | 0.09 |
| 313 | 36 | 0.09 |
| 493 | 35 | 0.09 |
| 527 | 35 | 0.09 |
| 306 | 34 | 0.08 |
| 434 | 33 | 0.08 |
| 387 | 32 | 0.08 |
| 479 | 32 | 0.08 |
| 94 | 29 | 0.07 |
| 149 | 28 | 0.07 |
| 3 | 28 | 0.07 |
| 334 | 28 | 0.07 |
| 350 | 28 | 0.07 |
| 492 | 28 | 0.07 |
| 467 | 27 | 0.07 |
| 252 | 26 | 0.06 |
| 91 | 26 | 0.06 |
| 257 | 24 | 0.06 |
| 47 | 24 | 0.06 |
| 502 | 24 | 0.06 |
| 256 | 23 | 0.06 |
| 336 | 23 | 0.06 |
| 348 | 22 | 0.05 |
| 310 | 20 | 0.05 |
| 57 | 20 | 0.05 |
| 88 | 19 | 0.05 |
| 104 | 18 | 0.04 |
| 223 | 18 | 0.04 |
| 327 | 18 | 0.04 |
| 411 | 16 | 0.04 |
| 360 | 15 | 0.04 |
| 105 | 14 | 0.03 |
| 126 | 14 | 0.03 |
| 307 | 14 | 0.03 |
| 10 | 13 | 0.03 |
| 128 | 13 | 0.03 |
| 393 | 13 | 0.03 |
| 110 | 12 | 0.03 |
| 526 | 10 | 0.02 |
| 324 | 9 | 0.02 |
| 328 | 9 | 0.02 |
| 139 | 8 | 0.02 |
| 275 | 8 | 0.02 |
| 418 | 8 | 0.02 |
| 481 | 8 | 0.02 |
| 78 | 8 | 0.02 |
| 163 | 7 | 0.02 |
| 154 | 6 | 0.01 |
| 363 | 6 | 0.01 |
| 508 | 6 | 0.01 |
| 9 | 6 | 0.01 |
| 270 | 5 | 0.01 |
| 326 | 5 | 0.01 |
| 405 | 5 | 0.01 |
| 429 | 5 | 0.01 |
| 16 | 4 | 0.01 |
| 195 | 4 | 0.01 |
| 244 | 4 | 0.01 |
| 254 | 4 | 0.01 |
| 29 | 4 | 0.01 |
| 430 | 4 | 0.01 |
| 455 | 4 | 0.01 |
| 258 | 3 | 0.01 |
| 302 | 3 | 0.01 |
| 321 | 3 | 0.01 |
| 420 | 3 | 0.01 |
| 426 | 3 | 0.01 |
| 535 | 3 | 0.01 |
| 72 | 3 | 0.01 |
| 135 | 2 | 0.00 |
| 180 | 2 | 0.00 |
| 282 | 2 | 0.00 |
| 384 | 2 | 0.00 |
| 414 | 2 | 0.00 |
| 427 | 2 | 0.00 |
| 438 | 2 | 0.00 |
| 454 | 2 | 0.00 |
| 469 | 2 | 0.00 |
| 510 | 2 | 0.00 |
| 114 | 1 | 0.00 |
| 159 | 1 | 0.00 |
| 165 | 1 | 0.00 |
| 167 | 1 | 0.00 |
| 182 | 1 | 0.00 |
| 187 | 1 | 0.00 |
| 193 | 1 | 0.00 |
| 291 | 1 | 0.00 |
| 300 | 1 | 0.00 |
| 301 | 1 | 0.00 |
| 303 | 1 | 0.00 |
| 304 | 1 | 0.00 |
| 331 | 1 | 0.00 |
| 333 | 1 | 0.00 |
| 335 | 1 | 0.00 |
| 337 | 1 | 0.00 |
| 34 | 1 | 0.00 |
| 352 | 1 | 0.00 |
| 355 | 1 | 0.00 |
| 358 | 1 | 0.00 |
| 367 | 1 | 0.00 |
| 390 | 1 | 0.00 |
| 406 | 1 | 0.00 |
| 431 | 1 | 0.00 |
| 432 | 1 | 0.00 |
| 433 | 1 | 0.00 |
| 441 | 1 | 0.00 |
| 446 | 1 | 0.00 |
| 450 | 1 | 0.00 |
| 451 | 1 | 0.00 |
| 472 | 1 | 0.00 |
| 476 | 1 | 0.00 |
| 483 | 1 | 0.00 |
| 497 | 1 | 0.00 |
| 59 | 1 | 0.00 |
| 64 | 1 | 0.00 |
Erkenntniss: Der Agent 240 betätigt über ein drittel der Reservationen.
<<<<<<< HEAD#ArrivalDateYear
freqTableArrivalDateYear <- cleanedList %>% group_by(ArrivalDateYear = cleanedList$ArrivalDateYear) %>% summarise(Count = n())
freqTableArrivalDateYear <- freqTableArrivalDateYear[order(freqTableArrivalDateYear$Count, decreasing = TRUE),]
totalSegments <- sum(freqTableArrivalDateYear$Count)
freqTableArrivalDateYear <- cbind(freqTableArrivalDateYear, Percentage = freqTableArrivalDateYear$Count/totalSegments * 100)
kable(freqTableArrivalDateYear, digits = 2, format = "pipe")#ArrivalDateYear
freqTableArrivalDateYear <- cleanedList %>% group_by(ArrivalDateYear = cleanedList$ArrivalDateYear) %>% summarise(Count = n())
freqTableArrivalDateYear <- freqTableArrivalDateYear[order(freqTableArrivalDateYear$Count, decreasing = TRUE),]
totalSegments <- sum(freqTableArrivalDateYear$Count)
freqTableArrivalDateYear <- cbind(freqTableArrivalDateYear, Percentage = freqTableArrivalDateYear$Count/totalSegments * 100)
kable(freqTableArrivalDateYear, digits = 2, format = "pipe")| ArrivalDateYear | Count | Percentage |
|---|---|---|
| 2016 | 18567 | 46.35 |
| 2017 | 13179 | 32.90 |
| 2015 | 8314 | 20.75 |
Erkenntniss: Die Daten enthalten mit grosser Wahrscheindlichkeit nur Teildaten der Jahre 2015 und 2017.
Aufgabe (4 Punkte): Prüfe Auffälligkeiten
Erstelle eine tabellarische Häufigkeitsverteilung für das neu gebildete Attribut “HouseholdType” und untersuche und beschreibe Auffälligkeiten.
Hinweis: Verwende für deine Implementierung die Funktion
kable().
#Erst möglich wenn die Aufgabe 4.9 abgeschlossen ist
#HouseholdType
#freqTableHouseholdType <- cleanedList %>% group_by(HouseholdType = cleanedList$CustomerType) %>% summarise(Count = n())
#freqTableHouseholdType <- freqTableHouseholdType[order(freqTableHouseholdType$Count, decreasing = TRUE),]
#totalSegments <- sum(freqTableHouseholdType$Count)
#freqTableHouseholdType <- cbind(freqTableHouseholdType, Percentage = freqTableHouseholdType$Count/totalSegments * 100)
#kable(freqTableHouseholdType, digits = 2, format = "pipe")#Erst möglich wenn die Aufgabe 4.9 abgeschlossen ist
#HouseholdType
#freqTableHouseholdType <- cleanedList %>% group_by(HouseholdType = cleanedList$CustomerType) %>% summarise(Count = n())
#freqTableHouseholdType <- freqTableHouseholdType[order(freqTableHouseholdType$Count, decreasing = TRUE),]
#totalSegments <- sum(freqTableHouseholdType$Count)
#freqTableHouseholdType <- cbind(freqTableHouseholdType, Percentage = freqTableHouseholdType$Count/totalSegments * 100)
#kable(freqTableHouseholdType, digits = 2, format = "pipe")Aufgabe (3 Punkte): Prüfe weitere Auffälligkeiten
Erstelle eine Statistik für das Attribut “AverageDailyRate” und identifiziere Auffälligkeiten.
<<<<<<< HEADdataFrameDates <- dataFrame
dataFrameDates <- cbind(dataFrameDates, ArrivalDate = mdy(str_c(str_c(dataFrameDates$ArrivalDateMonth, dataFrameDates$ArrivalDateDayOfMonth, sep = " "), dataFrameDates$ArrivalDateYear, sep = ", ")))
dataFrameDates <- dataFrameDates[order(dataFrameDates$ArrivalDate), ]
plot(dataFrameDates$AverageDailyRate)
ggplot(dataFrameDates, aes(x = dataFrameDates$ArrivalDate, y = dataFrameDates$AverageDailyRate))+geom_point()+geom_smooth()
NA
NA
NAdataFrameDates <- dataFrame
dataFrameDates <- cbind(dataFrameDates, ArrivalDate = mdy(str_c(str_c(dataFrameDates$ArrivalDateMonth, dataFrameDates$ArrivalDateDayOfMonth, sep = " "), dataFrameDates$ArrivalDateYear, sep = ", ")))
dataFrameDates <- dataFrameDates[order(dataFrameDates$ArrivalDate), ]
plot(dataFrameDates$AverageDailyRate)
ggplot(dataFrameDates, aes(x = dataFrameDates$ArrivalDate, y = dataFrameDates$AverageDailyRate))+geom_point()+geom_smooth()
NA
NA
NAIdentifizierte Auffälligkeiten: Im Sommer werden höhere Preise gezahlt. Spezielle Tage:
Aufgabe (2 Punkte): Erstelle einen bereinigten Datensatz
Bereinige das Data Frame, indem du Beobachtungen mit Auffälligkeiten und unplausiblen Werten in den Attributen “AverageDailyRate” und “HouseholdType” entfernst.
FÜR ALLE WEITEREN ANALYSEN IST AUSSCHLIESSLICH DER BEREINIGTE DATENSATZ ZU VERWENDEN!!!
Visualisierung
FÜR ALLE WEITEREN ANALYSEN IST AUSSCHLIESSLICH DER BEREINIGTE DATENSATZ ZU VERWENDEN!!!
Aufgabe (5 Punkte): Analysiere Zusammenhänge kategorialer Grössen
Erstelle eine graphische Analyse, welche die relativen Unterschiede des Auftretens von Spezialwünschen (s. “TotalSpecialRequests”) bei Hotelreservationen nach Haushaltstyp (s. “HouseholdType”) untersucht und zusätzlich betrachtet, ob die Buchung storniert wurde oder nicht (s. “BookingCancelled”).
Hinweis: Verwende für deine Implementierung die Funktion
facet_wrap(, labeller = ...).
Aufgabe (5 Punkte): Erstelle eine visuelle Häufigkeitstabelle
Erstelle eine Heatmap, welche das Vorkommen von Art des Aufenthalts und Haushaltstyp farblich und in Zahlen darstellt.
Hinweis: Verwende für deine Implementierung die Funktion
geom_tile() und eine Farbskala, welche grosse Häufigkeiten
dunkler einfärbt als kleine.
Aufgabe (5 Punkte): Erstelle einen Mosaic-Plots
Erstelle analog zur Heatmap oben einen Mosaicplot, welcher das Vorkommen von Art des Aufenthalts und Haushaltstyp darstellt (Farben können frei gewählt werden, Zahlen sind nicht im Plot zu integrieren).
Hinweis: Verwende für deine Implementierung die Funktion
geom_mosaic() aus dem Paket ggmosaic.
Aufgabe (10 Punkte): Analysiere die Definition des Tagesdurchschnittpreises
Plausibilisiere visuell, dass die Angaben des Attributs Tagesdurchschnittpreis (“AverageDailyRate”) sich nicht auf den Preis pro Übernachtung und Person, sondern auf den Preis pro Übernachtung pro Zimmer beziehen.
Hinweis: Die Visualisierung ist kein abschliessender Beweis. Beschreibe klar und nachvollziehbar, wieso die von dir gezeigte Grafik ein Indiz dafür ist, dass sich die gelisteten Tagesdurchschnittpreise auf Übernachtungen pro Zimmer beziehen.
Aufgabe (10 Punkte): Plausibilisiere Interpretation des Tagesdurchschnittpreises
Identifiziere drei Fälle, welche illustrieren, dass die Angaben des Attributs Tagesdurchschnittpreis (“AverageDailyRate”) sich auf den Preis pro Übernachtung pro Zimmer beziehen, indem du gezielt paarweise Buchungen vergleichst, wo sich Anzahl Personen und Tagesdurchschnittpreis unterscheiden, andere relevante Variablen aber übereinstimmen.
Gib für diese drei Fälle folgende Attribute aus: “GroupSize.x”, “GroupSize.y”, “AverageDailyRate.x”, “AverageDailyRate.y” (die Endung “.x” bezieht sich auf das Attribut der ersten, “.y” der zweiten Beobachtung der paarweisen Buchung).
Hinweis: Exploriere Beispiele von Hand und mache dann ein Refactoring
deines Codes, d.h. verwende für deine Implementierung eine eigene
Funktion mit {{}}, so dass eine wählbare Menge zufälliger
Beispiele selektiert werden kann.
Aufgabe (5 Punkte): Erstelle Facet-Plot des Tagesdurchschnittpreises
Reproduziere die folgende Grafik (“Figure 1: AverageDailyRate_2016_RoomA”) für die Verteilung der monatlichen Tagesdurchschnittpreise (“AverageDailyRate”) von Zimmern mit AssignedRoomType “A” für das Jahr 2016 mit allen gezeigten Details.
AverageDailyRate_2016_RoomA
Aufgabe (5 Punkte): Verbessere Facet-Plot des Tagesdurchschnittpreises
Verbessere die vorangehende Grafik so, dass die Reihenfolge der Monate chronologisch geordnet ist.
Aufgabe (5 Punkte): Reproduziere Facet-Plot des Tagesdurchschnittpreises
Reproduziere die folgende Grafik (“Figure 2: AverageDailyRate_RoomsACDEFG.png”) mit allen gezeigten Details für die Verteilung der Tagesdurchschnittpreise (“AverageDailyRate”) von Zimmern mit AssignedRoomType “A”, “C”, “D”, “E”, “F” und “G” ohne Beschränkung des Zeitraumes.
AverageDailyRate_RoomsACDEFG.png
Aufgabe (5 Punkte): Vereinfache Facet-Plot des Tagesdurchschnittpreises
Erzeuge für die oben dargestellten Daten nun Boxplots zum Vergleich von Tagesdurchschnittpreisen (“AverageDailyRate”) nach Zimmertyp (“AssignedRoomType”) und visualisiere die Gruppengrösse mit Hilfe der Fläche der Box.
Aufgabe (5 Punkte): Untersuche und visualisiere Korrelationen
Berechne die Korrelation nach Bravais-Pearson für die Attribute Preis (Attribut “Price”) und Anzahl Übernachtungen (Attribut “TotalNights”). Erstelle weiter ein Streudiagramm für “Price” vs “TotalNights” und integriere im Untertitel die Information der Anzahl Beobachtungen und der berechneten Korrelation auf drei Nachkommastellen gerundet.
Hinweis: Verwende für deine Implementierung die Funktion
geom_jitter() mit sinnvoller Wahl der Parameter
alpha und shape.
Aufgabe (10 Punkte): Bereinigung von Ausreissern
Erstelle das obige Streudiagramm für “Price” vs “TotalNights” erneut und schränke die x-Achse und y-Achse so ein, dass Aussreisser am oberen Ende der Skala nicht gezeigt werden. Passe den Untertitel an, indem du erwähnst wieviele Ausreisser nicht gezeigt werden.
Hinweis: Verwende für deine Implementierung die Definition des Boxplots: Ausreißer sind Datenpunkte, die sich ausserhalb der Zäune (“Whiskers”) des Boxplots befinden. Die Whiskers haben die Länge des 1,5-fachen des Interquartilsbereichs und setzen oberhalb des oberen Quartils und unterhalb des unteren Quartils an.
Aufgabe (10 Punkte): Untersuche den Zeitverlauf der Hotelankünfte
Visualisiere die Anzahl der Hotelbuchungen nach Ankunftsdatum im Zeitverlauf, wobei die stornierten Buchungen nicht zu berücksichtigen sind. Visualisiere den Verlauf über 180 Tage, beginnend am 1. Juni 2016.
Hinweis: Verwende für deine Implementierung tidyverse
und lubridate.
Aufgabe (5 Punkte): Identifiziere Tage mit meisten Buchungen
Identifiziere die fünf Tage mit den meisten Zimmer-Buchungen gemessen am Datum der Ankunft, wobei die stornierten Buchungen nicht zu berücksichtigen sind. Gib zusätzlich die Anzahl Personen an, welche an diesen Tagen eingecheckt haben.
Aufgabe (10 Punkte): Untersuche den Zeitverlauf des mittleren Tagesdurchschnittspreise der Buchungen
Berechne für 2016 die zeitliche Entwicklung des Tagesdurchschnittspreises (“AverageDailyRate”) aller Buchungen pro Woche. Visualisiere den Median sowie das 25%-Perzentil und 75%-Perzentil, um die Streuung des Tagesdurchschnittspreises zu illustrieren.
Bestimme und markiere dann visuell die Kalenderwoche mit dem höchsten Tagesdurchschnittspreis mit Hilfe einer vertikalen roten Linie.
Eigene Analysen
Aufgabe (20 Punkte): Exploriere den Datensatz weiter
Untersuche weitere, noch nicht beleuchtete Zusammenhänge in den Daten und dokumentiere (a) deine Hypothese, (b) die gefundenen Zusammenhängen präzise in Worten.
---
title: "EDA HS22 - Mini-Challenge: Hotelbuchungen"
output:
  html_document:
    toc: yes
    toc_depth: '4'
    df_print: paged
    toc_float: true
  html_notebook:
    toc: yes
    toc_depth: 4
    df_print: paged
    toc_float:
      collapsed: yes
      smooth_scroll: yes
    theme: united
    highlight: tango
    code_folding: hide
---


---------------------

&nbsp;

**Beginn: 15.11.2022, 08:15**

**Ende: 25.11.2022, 23:59**

&nbsp;

**Abgabe: Pro Zweiergruppe ein .Rmd und .html File via e-mail an daniel.perruchoud@fhnw.ch**

&nbsp;

**Vorname, Name:**

&nbsp;

**Vorname, Name:**

&nbsp;

**Erreichte Punktzahl:**

&nbsp;


**Note:**


&nbsp;
 
**Hiermit erklären wir, dass die vorliegende Arbeit selbständig und ohne Hilfe weiterer Personen erarbeitet und geschrieben wurde und auch nicht an andere Personen weitergereicht wurde und wird.**

---------------------


# Einführung 

## Beurteilungskriterien

Beurteilt werden Umfang, Inhalt und Form der Abgabe jeder Gruppe; die pro Aufgabe erworbenen Punktezahl bestimmt sich aus Vollständigkeit, Korrektheit der Analyse sowie Qualität der Codierung. 

Die **maximale** Anzahl möglicher Punkte ist hinter jeder Aufgabe vermerkt.

Sprache: Empfohlen ist in den Codes, Grafiken und Tabellen konsistent Englisch zu verwenden, damit die Namen der Attribute nicht übersetzt werden müssen. 

Visualisierung: Bitte achtet darauf, dass alle Grafiken übersichtlich und vollständig beschriftet und koloriert sind und die Art der verwendeten Grafik entsprechend dem Datentyp sinnvoll gewählt ist. 

Dokumentation: Kommentiert eure Codes, wo spezielle Überlegung einfliessen und beschreibt die Resulate der Analysen in wenigen Sätzen präzise.


## Datenbeschreibung

Ihr erhaltet Daten von 40'060 Hotelbuchungen und den Auftrag diese zu analysieren. Pro Buchung stehen die folgenden 31 Attribute zur Verfügung (zusammengehörende Attribute werden gemeinsam beschrieben).

1. IsCanceled: Information, ob die Buchung storniert wurde,
2. LeadTime: Anzahl Tage zwischen Buchung und Eintreffen im Hotel,
3. ArrivalDateYear, -Month, -DateWeekNumber, DateDayOfMonth: Information zum Zeitpunkt des Eintreffens im Hotel,
4. StaysInWeekendNights, StaysInWeekNights: Anzahl gebuchter Nächte am Wochenende, bzw. an Werktagen,
5. Adults, Children, Babies: Anzahl Erwachsene, Kinder und Babies pro Buchung,
6. Meal: Art des gebuchten Verpflegungen, d.h. BB (Bed & Breakfast), HB (Half board oder Halbpension), FB (Full board oder Vollpension), Undefined (kein Paket),
7. Country: Herkunftsland des Gastes,
8. MarketSegment: Marktsegment der Buchung, wie z.B. Geschäftskunde, Direktkunde, Gruppe (TA = Tour Agents, TO = Tour Operators),
9. DistributionChannel: Vertriebskanal der Buchung (TA = Tour Agents, TO = Tour Operators),
10. IsRepeatedGuest: Information, ob die Buchung einem früheren Gast zugewiesen werden kann,
11. PreviousCancellations: Information zur Anzahl früherer Stornierungen des Gastes,
12. PreviousBookingsNotCanceled: Information zur Anzahl früherer Buchung des Gastes ohne Stornierung,
13. ReservedRoomType / AssignedRoomType: reservierter Zimmertyp, bzw. tatsächlich bezogener Zimmertyp,
14. BookingChanges: Anzahl Anpassungen der Buchung bis zum Check-In bzw. bis zur Stornierung,
15. DepositType: Art der bei Buchung hinterlegten Sicherheit. Non-Refundable bedeutet der Gesamtbetrag wurde bezahlt und kann nicht zurückgefordert werden, Refundable bedeutet ein Teilbetrag wurde bezahlt und kann zurückgefordert werden,
16. Agent / Company: Agentur bzw. Firma, welche die Buchung durchgeführt hat,
17. DaysInWaitingList: Anzahl Tage bis der Gast die Bestätigung für die Buchung erhalten hat,
18. CustomerType: Kundenart des Gastes,
19. ADR: Average Daily Rate in EURO, d.h. durchschnittlich bezahlter Preis pro Übernachtung
20. RequiredCarParkingSpaces: Anzahl für den Gast benötigter Parkplätze,
21. TotalOfSpecialRequests: Anzahl spezieller Anfragen des Gastes (z.B. Kinderbett, Doppelbett),
22. ReservationStatus: letzter Status der Buchung (Check-Out, No-Show, Canceled),
23. ReservationStatusDate: letzter Statusänderung der Buchung.


# Analysen vorbereiten

## Aufgabe (1 Punkt): Lade die Analyse-Pakete

Lade die für die Analysen relevanten Pakete.

Hinweis: Verwende für deine Implementierung `tidyverse`, für Zeitreihenanalyse `lubridate` und zusätzlich `ggmosaic` und `knitr`.


```{r}
library(tidyverse)
library(lubridate)
library(ggmosaic)
library(knitr)
library(dplyr)
library(ggplot2)
```


# Daten laden und inspizieren

## Aufgabe (1 Punkt): Lade die Daten

Lade die zu analysierenden Daten.

Hinweis: Verwende für deine Implementierung die Funktion `read.csv()` und das File "H1.csv".

```{r}
pathDenis <- "C:/Users/denis/OneDrive/Dokumente/FHNW/1.Sem/eda/Hotelchallenge/Daten/HS22_EDA_MC/H1.csv"
pathFlavio <- "/Users/flavio/Library/CloudStorage/OneDrive-FHNW/EDA/HS22_EDA_MC/H1.csv"
dataFrame <- read.csv("/Users/flavio/Library/CloudStorage/OneDrive-FHNW/EDA/HS22_EDA_MC/H1.csv")

dataFrame
```


## Aufgabe (1 Punkt): Untersuche die Grösse des Data Frames

Gib für die eingelesenen Daten die Anzahl Beobachtungen und Attribute aus.

```{r}
count(dataFrame) #Anzahl
attributes(dataFrame) #Attribute
```

## Aufgabe (1 Punkt): Inspiziere die Dateninhalte

Gib eine Zufallsstichprobe von 5 Beobachtungen aus (verwende als Seed die Zahl 4711) und verschafffe dir einen Überblick über die Daten.

```{r}
set.seed(4711)
sampleRows <- sample(1:nrow(dataFrame), 5)
slice(dataFrame, sampleRows)
```


## Aufgabe (1 Punkt): Untersuche Struktur und Datentypen

Gib die Struktur des Data Frames aus und verschaffe dir einen Überblick über die Datentypen.

```{r}
glimpse(dataFrame)
```


## Aufgabe (2 Punkte): Identifiziere Duplikate 

Bestimme wieviele doppelte Beobachtungen im Data Frame auftauchen.

Hinweis: Aufgrund fehlender Hintergrundinformationen werden für die nächsten Schritte zunächst keine Beobachtungen entfernt, auch wenn im Datensatz viel redundante Informationen vorhanden sind!

```{r}
duplicateList <- dataFrame[duplicated(dataFrame), ]
newList <- duplicateList %>% group_by_all() %>% summarise(n = n())
print(sum(newList$n))
```

## Aufgabe (10 Punkte): Identifiziere Gruppen doppelter Beobachtungen

Doppelte Beobachtungen treten im vorliegenden Datensatz in unterschiedlicher Gruppierung auf: es gibt Beobachtungen, die nur zweimal, aber auch Beobachtungen, die mehr als ein Dutzend mal vorhanden sind. Gib für die vier Gruppierungen mit den meisten doppelten Beobachtungen je eine vollständige Beobachtung aus.

Hinweis: Aufgrund fehlender Hintergrundinformationen werden für die nächsten Schritte zunächst keine Beobachtungen entfernt, auch wenn im Datensatz viel redundante Informationen vorhanden sind!

```{r}
biggestDuplicates <- newList[order(newList$n, decreasing = TRUE),]

biggestDuplicates <- biggestDuplicates[1:4,]

```


# Daten transformieren

## Aufgabe (2 Punkte): Benenne Attribute um

Die folgenden Attribute sind neu zu benennen (alterName -> neuerName)

- TotalOfSpecialRequests -> TotalSpecialRequests
- ADR -> AverageDailyRate
- IsCanceled -> BookingCancelled

```{r}
#names(dataFrame)

dataFrame <- dataFrame %>% rename(
  BookingCancelled = IsCanceled, 
  AverageDailyRate = ADR,
  TotalSpecialRequests = TotalOfSpecialRequests
  )

```


## Aufgabe (2 Punkte): Entferne Leerzeichen

Entferne *gleichzeitig für alle* character-wertigen Attribute, die Leerzeichen, welche vor oder nach dem Text auftauchen.

Hinweis: Verwende für deine Implementierung die Funktion `across()` und den Post [Umgang mit textuellen Daten mit tidyverse's stringr](https://spaces.technik.fhnw.ch/spaces/explorative-datenanalyse/beitraege/umgang-mit-textuellen-daten-mit-tidyverses-stringr).


```{r}
library(stringr)
dataFrame <- dataFrame %>%
  mutate(across(where(is.character), str_trim))

#glimpse(dataFrame)
  
```


## Aufgabe (2 Punkte): Untersuche fehlende Informationen

Untersuche allfällige fehlende Informationen (NAs) im Data Frame und zähle wieviele NAs vorkommen. 

```{r}
#Aufpassen bei bestimmten Funktionen werden fehlende Informationen automatisch als N/A kategorisiert
#Keine NAs vorhanden, gibt es fehlende Informationen?
sapply(dataFrame, function(x) sum(is.na(x)))

```


## Aufgabe (3 Punkte): Ersetze "NULL" Werte

Ersetze *gleichzeitig alle* Werte "NULL" für die Attribute "Company" und "Agent" durch `NA` und und zähle wieviele NAs in jedem der beiden Attributen vorkommen.

```{r}
#!!!Funktioniert aber ändert nur die Namen nicht den tatsächlichen Wert, muss noch überarbeitet werden, denke ich!!
NAs <- c("Company", "Agent")
dataFrame %>%
  mutate_at(vars(NAs), ~ str_replace(., "NULL", "NA"))


```


## Aufgabe (4 Punkte): Ersetze Abkürzungen

Ersetze *gleichzeitig* für die Attribute "MarketSegment" und "DistributionChannel" die Abkürzungen

- "TA" durch "Tour Agent",
- "TO" durch "Tour Operator".

Hinweis: Verwende für deine Implementierung die Funktion `gsub()` oder Ähnliches.


```{r}
#Habe ich geschafft aber leider nicht mit der gsub Funktion, gerne Denis probieren

```


## Aufgabe (4 Punkte): Ersetze weitere Abkürzungen 

Ersetze für das Attribut "Meal" die verwendeten Abkürzungen 

- "BB" durch "Bed & Breakfast", 
- "HB" durch "Half board",
- "FB" durch "Full board",
- "Undefined" durch "kein Paket".

Ersetze weiter für die Attribute "BookingCancelled" und "IsRepeatedGuest" die Werte 1 durch "Yes" und 0 durch "No". 

```{r}
dataFrame$Meal <- gsub("BB", "Bed & Breakfast",
                  gsub("HB", "Half board",
                  gsub("FB", "Full board",
                  gsub("Undefined", "kein Paket", dataFrame$Meal))))

dataFrame <- dataFrame %>% mutate(BookingCancelled=recode(BookingCancelled, "1"="Yes", "0"="No"))
dataFrame <- dataFrame %>% mutate(IsRepeatedGuest=recode(IsRepeatedGuest, "1"="Yes", "0"="No"))
```


## Aufgabe (6 Punkte): Erstelle Datumsvariablen 

Erstelle Datumsvariablen für Reservation und Ankunft aufgrund der Informationen "ReservationStatusDate" bzw. "ArrivalDateYear", "ArrivalDateYear", "ArrivalDateDayOfMonth".

Hinweis: Verwende für deine Implementierung die library `lubridate` und Informationen aus [R for Data Science, Chapter "Dates and times"](https://r4ds.had.co.nz/dates-and-times.html) sowie die Posts [Umgang mit Datumsinformationen](https://spaces.technik.fhnw.ch/spaces/explorative-datenanalyse/beitraege/umgang-mit-datumsinformationen) und [Umgang mit textuellen Daten mit tidyverse's stringr](https://spaces.technik.fhnw.ch/spaces/explorative-datenanalyse/beitraege/umgang-mit-textuellen-daten-mit-tidyverses-stringr).

```{r}
library(lubridate)

#Das wäre ein Vorschlag, ich weiss aber nicht ob dies so oder in einem anderen Format gefordert wird.
#dataFrameDates <- dataFrame
#dataFrameDates <- cbind(dataFrameDates, ArrivalDate = mdy(str_c(str_c(dataFrameDates$ArrivalDateMonth, dataFrameDates$ArrivalDateDayOfMonth, sep = " "), #dataFrameDates$ArrivalDateYear, sep = ", ")))
#dataFrameDates <- dataFrameDates[order(dataFrameDates$ArrivalDate), ]


```


## Aufgabe (3 Punkte): Bilde Faktoren

Konvertiere sämtliche kategorialen Variablen und mache daraus Faktoren und überprüfe die Datentypen der konvertierten Variablen für die Variablen "BookingCancelled" und "DepositType".

Hinweis: Verwende für deine Implementierung `across()` und eine bestehende R Basis-Funktion zur Prüfung der erfolgreichen Bildung der Faktoren.

```{r}
#kategoriale Variablen: Meal,Country, Marketsegment, Distributionschannel, ReservedRoomType, AssignedRoomType, DepositType, Agent, Company, Customertype, Average Daily Rate.
#Diese gilt es als factor Variablen darzustellen, habe ich leider nich geschafft. Denis probieren.
#Gibts es noch mehr kategoriale Variablen? 



#Überprüfen mit R Basis Funktion
class(dataFrame$BookingCancelled)
class(dataFrame$DepositType)
```


## Aufgabe (7 Punkte): Erstelle neue Variablen 

Erstelle neue Variablen, welche Auskunft geben über

- die Anzahl Logiernächte pro Buchung -> neue Variable "TotalNights" als Summe der Anzahl Nächte an Wochentagen ("StaysInWeekNights) und Wochenendtagen ("StaysInWeekendNights"), 
- die Anzahl Personen pro Buchung -> neue Variable "GroupSize" als Summe von "Adults", "Children" und "Babies",
- den bezahlten Preis pro Aufenthalt -> neue Variable "Price" gebildet als Produkt von "AverageDailyRate" und "TotalNights".

Erstelle daraus abgeleitet weitere Attribute für die Art des Aufenthalts (neue Faktor-Variable "StayType"):

- "Long stay" definiert als Aufenthalt von mehr als 7 Nächten,
- "Full week" definiert als Aufenthalt von 7 Nächten,
- "Week stay" definiert als Aufenthalt von weniger als 7 Tagen ohne Wochenendübernachtungen,
- "Weekend only" definiert als eintägiger Aufenthalt mit einer Wochenendübernachtung,
- "Long weekend" definiert als zweitägiger Aufenthalt mit zwei Wochenendübernachtungen,

sowie den Haushaltstyp (neue Faktor-Variable "HouseholdType"):

- "Single" definiert als Buchung für genau eine Erwachsene,
- "Couple" definiert als Buchung für genau zwei Erwachsene,
- "Single Parent" definiert als Buchung für eine Erwachsene und ein oder mehrere Kinder oder Babies,
- "Family" definiert als Buchung für zwei Erwachsene und ein oder mehrere Kinder oder Babies,
- "Group" definiert als Buchung für mehr als zwei Erwachsene (mit oder ohne Kinder / Babies),

```{r}
#TotalNights Variable erstellen
dataFrame$TotalNights <- dataFrame$StaysInWeekNights + dataFrame$StaysInWeekendNights
#GroupSize Variable erstellen
dataFrame$GroupSize <- dataFrame$Adults + dataFrame$Children + dataFrame$Babies
#Price Variable erstellen
dataFrame$Price <- dataFrame$AverageDailyRate * dataFrame$TotalNights

#StayType Variable erstellen
dataFrame %>%
  mutate(StayType = case_when(TotalNights > 7 ~ "Long Stay",
                              TotalNights == 7 ~ "Full week",
                              StaysInWeekNights < 7 & StaysInWeekendNights == 0 ~ "Week Stay",
                              TotalNights == 1 & StaysInWeekendNights == 1 ~ "Weekend only",
                              StaysInWeekNights == 0 & StaysInWeekendNights == 2 ~ "Long Weekend"))

#HouseholdType Variable erstellen     adults, children, babies
dataFrame %>%
  mutate(HouseholdType = case_when(Adults == 1 & Children == 0 & Babies == 0 ~ "Single",
                                   Adults == 2 & Children == 0 & Babies == 0 ~ "Couple",
                                   Adults == 1 & Children >= 0 & Babies >= 0 ~ "Single Parent",
                                   Adults == 2 & Children >= 0 & Babies >= 0 ~ "Family",
                                   Adults >  2 & Children >= 0 & Babies >= 0 ~ "Group"))
```


# Summarische Statistiken erzeugen

## Aufgabe (3 Punkte): Erstelle Häufigkeitstabellen

Gib für die beiden oben bearbeiteten Attribute "MarketSegment" und "DistributionChannel" je eine separate Häufigkeitstabelle aus.

Hinweis: Verwende für deine Implementierung nur **einen** Aufruf der Funktion `summary()`.

```{r}
cleanedList <- dataFrame
#Marketsegment
freqTableMarketSegment <- cleanedList %>% group_by(Marketsegment = cleanedList$MarketSegment) %>% summarise(Count = n())
freqTableMarketSegment <- freqTableMarketSegment[order(freqTableMarketSegment$Count, decreasing = TRUE),]
totalSegments <- sum(freqTableMarketSegment$Count)
freqTableMarketSegment <- cbind(freqTableMarketSegment, Percentage = freqTableMarketSegment$Count/totalSegments * 100)

#DistributionChannel
freqTableDistributionChannel <- cleanedList %>% group_by(DistributionChannel = cleanedList$DistributionChannel) %>% summarise(Count = n())
freqTableDistributionChannel <- freqTableDistributionChannel[order(freqTableDistributionChannel$Count, decreasing = TRUE),]
totalSegments <- sum(freqTableDistributionChannel$Count)
freqTableDistributionChannel <- cbind(freqTableDistributionChannel, Percentage = freqTableDistributionChannel$Count/totalSegments * 100)


```


## Aufgabe (3 Punkte): Erstelle weitere Häufigkeitstabellen

Gib für die Attribute "Meal" und "IsRepeatedGuest" separat tabellarische Häufigkeitsverteilungen aus.

Hinweis: Verwende für deine Implementierung die Funktion `kable()`.

```{r}
#Meals
freqTableMeal <- cleanedList %>% group_by(Meal = cleanedList$Meal) %>% summarise(Count = n())
freqTableMeal <- freqTableMeal[order(freqTableMeal$Count, decreasing = TRUE),]
totalSegments <- sum(freqTableMeal$Count)
freqTableMeal <- cbind(freqTableMeal, Percentage = freqTableMeal$Count/totalSegments * 100)
kable(freqTableMeal, digits = 2, format = "pipe")

#IsRepeatedGuest
freqTableIsRepeatedGuest <- cleanedList %>% group_by(Meal = cleanedList$IsRepeatedGuest) %>% summarise(Count = n())
freqTableIsRepeatedGuest <- freqTableIsRepeatedGuest[order(freqTableIsRepeatedGuest$Count, decreasing = TRUE),]
totalSegments <- sum(freqTableIsRepeatedGuest$Count)
freqTableIsRepeatedGuest <- cbind(freqTableIsRepeatedGuest, Percentage = freqTableIsRepeatedGuest$Count/totalSegments * 100)
kable(freqTableIsRepeatedGuest, digits = 2, format = "pipe")

```


## Aufgabe (5 Punkte): Erstelle weitere Häufigkeitstabellen

Erstelle eine summarische, univariate Statistik für alle Attribute und dokumentiere kurz allfällige Besonderheiten.

```{r collapse=TRUE}
#BookingCancelled
freqTableBookingCancelled <- cleanedList %>% group_by(BookingCancelled = cleanedList$BookingCancelled) %>% summarise(Count = n())
freqTableBookingCancelled <- freqTableBookingCancelled[order(freqTableBookingCancelled$Count, decreasing = TRUE),]
totalSegments <- sum(freqTableBookingCancelled$Count)
freqTableBookingCancelled <- cbind(freqTableBookingCancelled, Percentage = freqTableBookingCancelled$Count/totalSegments * 100)
kable(freqTableBookingCancelled, digits = 2, format = "pipe")
```

```{r collapse=TRUE}
#LeadTime
freqTableLeadTime <- cleanedList %>% group_by(LeadTime = cleanedList$LeadTime) %>% summarise(Count = n())
freqTableLeadTime <- freqTableLeadTime[order(freqTableLeadTime$Count, decreasing = TRUE),]
totalSegments <- sum(freqTableLeadTime$Count)
freqTableLeadTime <- cbind(freqTableLeadTime, Percentage = freqTableLeadTime$Count/totalSegments * 100)
kable(freqTableLeadTime, digits = 2, format = "pipe")
```
Erkenntniss:
Erstaundlich viele kurzfristige Buchungen.

```{r collapse=TRUE}
#Country
freqTableCountry <- cleanedList %>% group_by(Country = cleanedList$Country) %>% summarise(Count = n())
freqTableCountry <- freqTableCountry[order(freqTableCountry$Count, decreasing = TRUE),]
totalSegments <- sum(freqTableCountry$Count)
freqTableCountry <- cbind(freqTableCountry, Percentage = freqTableCountry$Count/totalSegments * 100)
kable(freqTableCountry, digits = 2, format = "pipe")
```
Erkenntniss:
Viele Besucher von Portugal.


```{r collapse=TRUE}
#BookingChanges
freqTableBookingChanges <- cleanedList %>% group_by(BookingChanges = cleanedList$BookingChanges) %>% summarise(Count = n())
freqTableBookingChanges <- freqTableBookingChanges[order(freqTableBookingChanges$Count, decreasing = TRUE),]
totalSegments <- sum(freqTableBookingChanges$Count)
freqTableBookingChanges <- cbind(freqTableBookingChanges, Percentage = freqTableBookingChanges$Count/totalSegments * 100)
kable(freqTableBookingChanges, digits = 2, format = "pipe")
```
Erkenntniss:
Keine auserordentliche Erkenntniss

```{r collapse=TRUE}
#DepositType
freqTableDepositType <- cleanedList %>% group_by(DepositType = cleanedList$DepositType) %>% summarise(Count = n())
freqTableDepositType <- freqTableDepositType[order(freqTableDepositType$Count, decreasing = TRUE),]
totalSegments <- sum(freqTableDepositType$Count)
freqTableDepositType <- cbind(freqTableDepositType, Percentage = freqTableDepositType$Count/totalSegments * 100)
kable(freqTableDepositType, digits = 2, format = "pipe")
```
Erkenntniss:
Hauptsächlich kein Depot hinterlegt.

```{r collapse=TRUE}
#CustomerType
freqTableCustomerType <- cleanedList %>% group_by(CustomerType = cleanedList$CustomerType) %>% summarise(Count = n())
freqTableCustomerType <- freqTableCustomerType[order(freqTableCustomerType$Count, decreasing = TRUE),]
totalSegments <- sum(freqTableCustomerType$Count)
freqTableCustomerType <- cbind(freqTableCustomerType, Percentage = freqTableCustomerType$Count/totalSegments * 100)
kable(freqTableCustomerType, digits = 2, format = "pipe")
```
Erkenntniss:
Keine speziellen Erkenntnisse.

```{r collapse=TRUE}
#RequiredCarParkingSpaces
freqTableRequiredCarParkingSpaces <- cleanedList %>% group_by(RequiredCarParkingSpaces = cleanedList$RequiredCarParkingSpaces) %>% summarise(Count = n())
freqTableRequiredCarParkingSpaces <- freqTableRequiredCarParkingSpaces[order(freqTableRequiredCarParkingSpaces$Count, decreasing = TRUE),]
totalSegments <- sum(freqTableRequiredCarParkingSpaces$Count)
freqTableRequiredCarParkingSpaces <- cbind(freqTableRequiredCarParkingSpaces, Percentage = freqTableRequiredCarParkingSpaces$Count/totalSegments * 100)
kable(freqTableRequiredCarParkingSpaces, digits = 2, format = "pipe")
```
Erkenntniss:
Die Mehrheit kommt ohne Auto.


```{r collapse=TRUE}
#ReservationStatus
freqTableReservationStatus <- cleanedList %>% group_by(ReservationStatus = cleanedList$ReservationStatus) %>% summarise(Count = n())
freqTableReservationStatus <- freqTableReservationStatus[order(freqTableReservationStatus$Count, decreasing = TRUE),]
totalSegments <- sum(freqTableReservationStatus$Count)
freqTableReservationStatus <- cbind(freqTableReservationStatus, Percentage = freqTableReservationStatus$Count/totalSegments * 100)
kable(freqTableReservationStatus, digits = 2, format = "pipe")
```
Erkenntniss:
Keine speziellen Erkenntnisse.

```{r collapse=TRUE}
#Company
freqTableCompany <- cleanedList %>% group_by(Company = cleanedList$Company) %>% summarise(Count = n())
freqTableCompany <- freqTableCompany[order(freqTableCompany$Count, decreasing = TRUE),]
totalSegments <- sum(freqTableCompany$Count)
freqTableCompany <- cbind(freqTableCompany, Percentage = freqTableCompany$Count/totalSegments * 100)
kable(freqTableCompany, digits = 2, format = "pipe")
```
Erkenntniss:
Die Firma 223 ist ein grosser Kunde.

```{r collapse=TRUE}
#Agent
freqTableAgent <- cleanedList %>% group_by(Agent = cleanedList$Agent) %>% summarise(Count = n())
freqTableAgent <- freqTableAgent[order(freqTableAgent$Count, decreasing = TRUE),]
totalSegments <- sum(freqTableAgent$Count)
freqTableAgent <- cbind(freqTableAgent, Percentage = freqTableAgent$Count/totalSegments * 100)
kable(freqTableAgent, digits = 2, format = "pipe")
```
Erkenntniss:
Der Agent 240 betätigt über ein drittel der Reservationen.


```{r collapse=TRUE}
#ArrivalDateYear
freqTableArrivalDateYear <- cleanedList %>% group_by(ArrivalDateYear = cleanedList$ArrivalDateYear) %>% summarise(Count = n())
freqTableArrivalDateYear <- freqTableArrivalDateYear[order(freqTableArrivalDateYear$Count, decreasing = TRUE),]
totalSegments <- sum(freqTableArrivalDateYear$Count)
freqTableArrivalDateYear <- cbind(freqTableArrivalDateYear, Percentage = freqTableArrivalDateYear$Count/totalSegments * 100)
kable(freqTableArrivalDateYear, digits = 2, format = "pipe")
```
Erkenntniss:
Die Daten enthalten mit grosser Wahrscheindlichkeit nur Teildaten der Jahre 2015 und 2017.










## Aufgabe (4 Punkte): Prüfe Auffälligkeiten

Erstelle eine tabellarische Häufigkeitsverteilung für das neu gebildete Attribut "HouseholdType" und untersuche und beschreibe Auffälligkeiten.

Hinweis: Verwende für deine Implementierung die Funktion `kable()`.

```{r}
#Erst möglich wenn die Aufgabe 4.9 abgeschlossen ist
#HouseholdType 
#freqTableHouseholdType <- cleanedList %>% group_by(HouseholdType = cleanedList$CustomerType) %>% summarise(Count = n())
#freqTableHouseholdType <- freqTableHouseholdType[order(freqTableHouseholdType$Count, decreasing = TRUE),]
#totalSegments <- sum(freqTableHouseholdType$Count)
#freqTableHouseholdType <- cbind(freqTableHouseholdType, Percentage = freqTableHouseholdType$Count/totalSegments * 100)
#kable(freqTableHouseholdType, digits = 2, format = "pipe")
```


## Aufgabe (3 Punkte): Prüfe weitere Auffälligkeiten

Erstelle eine Statistik für das Attribut "AverageDailyRate" und identifiziere Auffälligkeiten.

```{r}
dataFrameDates <- dataFrame
dataFrameDates <- cbind(dataFrameDates, ArrivalDate = mdy(str_c(str_c(dataFrameDates$ArrivalDateMonth, dataFrameDates$ArrivalDateDayOfMonth, sep = " "), dataFrameDates$ArrivalDateYear, sep = ", ")))
dataFrameDates <- dataFrameDates[order(dataFrameDates$ArrivalDate), ]
plot(dataFrameDates$AverageDailyRate)
ggplot(dataFrameDates, aes(x = dataFrameDates$ArrivalDate, y = dataFrameDates$AverageDailyRate))+geom_point()+geom_smooth()



```
Identifizierte Auffälligkeiten:
Im Sommer werden höhere Preise gezahlt.
Spezielle Tage: 


## Aufgabe (2 Punkte): Erstelle einen bereinigten Datensatz

Bereinige das Data Frame, indem du Beobachtungen mit Auffälligkeiten und unplausiblen Werten in den Attributen "AverageDailyRate" und "HouseholdType" entfernst.

&nbsp;

**FÜR ALLE WEITEREN ANALYSEN IST AUSSCHLIESSLICH DER BEREINIGTE DATENSATZ ZU VERWENDEN!!!**

```{r}

```


# Visualisierung

**FÜR ALLE WEITEREN ANALYSEN IST AUSSCHLIESSLICH DER BEREINIGTE DATENSATZ ZU VERWENDEN!!!**


## Aufgabe (5 Punkte): Analysiere Zusammenhänge kategorialer Grössen

Erstelle eine graphische Analyse, welche die relativen Unterschiede des Auftretens von Spezialwünschen (s. "TotalSpecialRequests") bei Hotelreservationen nach Haushaltstyp (s. "HouseholdType") untersucht und zusätzlich betrachtet, ob die Buchung storniert wurde oder nicht (s. "BookingCancelled").

Hinweis: Verwende für deine Implementierung die Funktion `facet_wrap(, labeller = ...)`. 

```{r}

```


## Aufgabe (5 Punkte): Erstelle eine visuelle Häufigkeitstabelle 

Erstelle eine Heatmap, welche das Vorkommen von Art des Aufenthalts und Haushaltstyp farblich und in Zahlen darstellt.

Hinweis: Verwende für deine Implementierung die Funktion `geom_tile()` und eine Farbskala, welche grosse Häufigkeiten dunkler einfärbt als kleine.

```{r}

```


## Aufgabe (5 Punkte): Erstelle einen Mosaic-Plots 

Erstelle analog zur Heatmap oben einen Mosaicplot, welcher das Vorkommen von Art des Aufenthalts und Haushaltstyp darstellt (Farben können frei gewählt werden, Zahlen sind nicht im Plot zu integrieren).

Hinweis: Verwende für deine Implementierung die Funktion `geom_mosaic()` aus dem Paket `ggmosaic`.

```{r}

```


## Aufgabe (10 Punkte): Analysiere die Definition des Tagesdurchschnittpreises 

Plausibilisiere visuell, dass die Angaben des Attributs Tagesdurchschnittpreis ("AverageDailyRate") sich nicht auf den Preis pro Übernachtung und Person, sondern auf den Preis pro Übernachtung pro Zimmer beziehen.

Hinweis: Die Visualisierung ist kein abschliessender Beweis. Beschreibe klar und nachvollziehbar, wieso die von dir gezeigte Grafik ein Indiz dafür ist, dass sich die gelisteten Tagesdurchschnittpreise auf Übernachtungen pro Zimmer beziehen.

```{r}

```


## Aufgabe (10 Punkte): Plausibilisiere Interpretation des Tagesdurchschnittpreises

Identifiziere drei Fälle, welche illustrieren, dass die Angaben des Attributs Tagesdurchschnittpreis ("AverageDailyRate") sich auf den Preis pro Übernachtung pro Zimmer beziehen, indem du gezielt paarweise Buchungen vergleichst, wo sich Anzahl Personen und Tagesdurchschnittpreis unterscheiden, andere relevante Variablen aber übereinstimmen.

Gib für diese drei Fälle folgende Attribute aus: "GroupSize.x", "GroupSize.y", "AverageDailyRate.x", "AverageDailyRate.y" (die Endung ".x" bezieht sich auf das Attribut der ersten, ".y" der zweiten Beobachtung der paarweisen Buchung).

Hinweis: Exploriere Beispiele von Hand und mache dann ein Refactoring deines Codes, d.h. verwende für deine Implementierung eine eigene Funktion mit `{{}}`, so dass eine wählbare Menge zufälliger Beispiele selektiert werden kann.

```{r}

```


## Aufgabe (5 Punkte): Erstelle Facet-Plot des Tagesdurchschnittpreises

Reproduziere die folgende Grafik ("Figure 1: AverageDailyRate_2016_RoomA") für die Verteilung der monatlichen Tagesdurchschnittpreise ("AverageDailyRate") von Zimmern mit AssignedRoomType "A" für das Jahr 2016 mit allen gezeigten Details.

![AverageDailyRate_2016_RoomA](./AverageDailyRate_2016_RoomA.png)

```{r}

```


## Aufgabe (5 Punkte): Verbessere Facet-Plot des Tagesdurchschnittpreises

Verbessere die vorangehende Grafik so, dass die Reihenfolge der Monate chronologisch geordnet ist.

```{r}

```


## Aufgabe (5 Punkte): Reproduziere Facet-Plot des Tagesdurchschnittpreises

Reproduziere die folgende Grafik ("Figure 2: AverageDailyRate_RoomsACDEFG.png") mit allen gezeigten Details für die Verteilung der Tagesdurchschnittpreise ("AverageDailyRate") von Zimmern mit AssignedRoomType "A", "C", "D", "E", "F" und "G" ohne Beschränkung des Zeitraumes. 


![AverageDailyRate_RoomsACDEFG.png](./AverageDailyRate_RoomsACDEFG.png)

```{r}

```


## Aufgabe (5 Punkte): Vereinfache Facet-Plot des Tagesdurchschnittpreises

Erzeuge für die oben dargestellten Daten nun Boxplots zum Vergleich von Tagesdurchschnittpreisen ("AverageDailyRate") nach Zimmertyp ("AssignedRoomType") und visualisiere die Gruppengrösse mit Hilfe der Fläche der Box.

```{r}

```


## Aufgabe (5 Punkte): Untersuche und visualisiere Korrelationen

Berechne die Korrelation nach Bravais-Pearson für die Attribute Preis (Attribut "Price") und Anzahl Übernachtungen (Attribut "TotalNights"). Erstelle weiter ein Streudiagramm für "Price" vs "TotalNights" und integriere im Untertitel die Information der Anzahl Beobachtungen und der berechneten Korrelation auf drei Nachkommastellen gerundet.

Hinweis: Verwende für deine Implementierung die Funktion `geom_jitter()` mit sinnvoller Wahl der Parameter `alpha` und `shape`.

```{r}

```


## Aufgabe (10 Punkte): Bereinigung von Ausreissern

Erstelle das obige Streudiagramm für "Price" vs "TotalNights" erneut und schränke die x-Achse und y-Achse so ein, dass Aussreisser am oberen Ende der Skala nicht gezeigt werden. Passe den Untertitel an, indem du erwähnst wieviele Ausreisser nicht gezeigt werden.

Hinweis: Verwende für deine Implementierung die Definition des Boxplots: Ausreißer sind Datenpunkte, die sich ausserhalb der Zäune ("Whiskers") des Boxplots befinden. Die Whiskers haben die Länge des 1,5-fachen des Interquartilsbereichs und setzen oberhalb des oberen Quartils und unterhalb des unteren Quartils an.

```{r}

```


## Aufgabe (10 Punkte): Untersuche den Zeitverlauf der Hotelankünfte

Visualisiere die Anzahl der Hotelbuchungen nach Ankunftsdatum im Zeitverlauf, wobei die stornierten Buchungen nicht zu berücksichtigen sind. Visualisiere den Verlauf über 180 Tage, beginnend am 1. Juni 2016.

Hinweis: Verwende für deine Implementierung `tidyverse` und `lubridate`.

```{r}

```


## Aufgabe (5 Punkte): Identifiziere Tage mit meisten Buchungen

Identifiziere die fünf Tage mit den meisten Zimmer-Buchungen gemessen am Datum der Ankunft, wobei die stornierten Buchungen nicht zu berücksichtigen sind. Gib zusätzlich die Anzahl Personen an, welche an diesen Tagen eingecheckt haben.

```{r}

```


## Aufgabe (10 Punkte): Untersuche den Zeitverlauf des mittleren Tagesdurchschnittspreise der Buchungen

Berechne für 2016 die zeitliche Entwicklung des Tagesdurchschnittspreises ("AverageDailyRate") aller Buchungen pro Woche. Visualisiere den Median sowie das 25%-Perzentil und 75%-Perzentil, um die Streuung des Tagesdurchschnittspreises zu illustrieren.

Bestimme und markiere dann visuell die Kalenderwoche mit dem höchsten Tagesdurchschnittspreis mit Hilfe einer vertikalen roten Linie. 

```{r}

```


# Eigene Analysen

## Aufgabe (20 Punkte): Exploriere den Datensatz weiter 

Untersuche weitere, noch nicht beleuchtete Zusammenhänge in den Daten und dokumentiere (a) deine Hypothese, (b) die gefundenen Zusammenhängen präzise in Worten.

```{r}

```